ElevenLabs、新音声AI「Eleven v4」を発表 ― 10秒の音声でクローン可能に、対応言語は90以上に拡大
音声AI企業 ElevenLabsは、2026年9月28日、新しい音声合成モデル「Eleven v4」と、低遅延版の「Eleven v4 Turbo」を発表しました。同社にとって最も感情表現力の高いテキスト読み上げ(TTS)モデルと位置づけられています。TechCrunchも同日、この発表を報じました。
1. Eleven v4:「最も感情豊かな」音声合成モデル
1-1. Artificial Analysisで首位、ブラインドテストで約75%が支持
ElevenLabsによると、Eleven v4は、Artificial Analysisの「Provider Voice Arena Leaderboard」(2026年9月)で1位にランクされ、競合モデルとのブラインドでの一対一比較テストでは、約75%のリスナーがEleven v4を支持したとしています。個別の比較テストでは、65〜81%の勝率を記録したとのことです。
比較対象となったのは、Cartesia Sonic 3.6、Inworld TTS-2、Google Gemini 3.8 Flash-Lite TTS、Google Gemini 3.8 Flash TTSです。評価者は、同じセリフをEleven v4と競合モデルの両方(どちらか分からない状態)で聞き、どちらがより表現力豊かで自然に聞こえるかを判定したとされています。
1-2. トーン・間・感情・文脈を解釈する新アーキテクチャ
同社は、Eleven v4が完全に新しいアーキテクチャの上に構築されており、トーン、間の取り方、感情、キャラクター性、文脈を解釈するよう設計されていると説明しています。ドラマチック、優しい、切迫した、コミカル、会話的といった多様な話し方を、話者の同一性を保ちながら生成できるとのことです。
複数話者のダイナミクスもより自然になり、会話が「別々のセリフをつなぎ合わせたもの」ではなく、文脈に反応し合う自然な対話として聞こえるようになったとしています。
1-3. インラインタグによる細かい演出指定
ユーザーは、自然言語でセリフの演じ方を指定できるほか、[laughs](笑う)、[said angrily in French accent](フランス語訛りで怒って言う)、[light rain](小雨の音)、[phone buzzing](電話の振動音)といったインラインタグを使い、感情や効果音を細かく指定できます。Eleven v4は、こうしたタグや演出指示を、従来モデルよりも正確に反映するとされています。国際音声記号(IPA)による発音指定のサポートも大幅に改善されたとのことです。
1-4. 複数話者の一貫性
新しい話者識別の手法により、各声の個性を保ちながら、エージェントとの会話やオーディオブック、広告を通じて発話の一貫性を保てるようになったとしています。モデルがシーン全体の文脈を理解しているため、話者が直前の発言に反応する自然な対話を生成できるといいます。
2. Eleven v4 Turbo:低遅延版
高品質な音声モデルは従来、生成速度が遅くなりがちで、ユーザーは「速いが単調」なエージェントと「表現力豊かだが遅い」エージェントのどちらかを選ばざるを得ませんでした。
Eleven v4 Turboは、最初の音声が生成されるまでの中央値時間が約150ミリ秒とされ、同社の測定では他社モデル(262〜814ミリ秒)より高速だとしています。ElevenLabs本体のブログでは、Eleven v4も推論の中央値レイテンシーが約100ミリ秒で、「人と人が話す際の平均的な間」よりも速く応答できるとしています。
同社は、Eleven v4 Turboを、自社の会話エージェント基盤「ElevenAgents」と一体で最適化したと説明しています。他社のエージェント構築ツールは異なるベンダーのモデルとソフトウェアを組み合わせているため、個別の用途向けにモデル出力を調整する手段が限られる一方、ElevenLabsはモデルとプラットフォームを一つのシステムとして設計したとしています。
3. 対応言語:70から90以上へ拡大
Eleven v4とEleven v4 Turboはともに90以上の言語に対応しました。TechCrunchによると、前バージョンの対応言語数は70で、今回90まで拡大したとのことです。同社は、日本語、ブラジルポルトガル語、標準中国語、広東語で最も大きな品質向上が見られたと述べています。
ある言語で収録した声を、別の言語でもネイティブスピーカーのアクセントを保ちながら流暢に話せるようになり、生成の途中で元のアクセントに戻ってしまう現象も改善されたとしています。吹き替え・ローカライズ用途では、ブランドが選んだ声(著名俳優や企業独自のトーンなど)を、Eleven v4が対応するどの言語でも一貫して再現できることを意味するとしています。
4. 音声クローン:10秒の音声で高精度に
音声クローン機能も、Eleven v4・v4 Turboの両方で、元の声との類似度が大幅に向上したとしています。インスタント音声クローンは、わずか10秒の音声から高精度に声を捉えられるようになりました。TechCrunchも同様に、「10秒の音声クリップで声をクローンできる」点を見出しに掲げて報じています。
話者の同一性は、生成・対話・ナレーション・再生成されたセリフをまたいでより確実に保たれるようになり、長編プロジェクトにおいてキャラクターやナレーター、クローン音声の一貫性が保たれるとしています。最高精度のクローン用途向けに、プロフェッショナル音声クローン(PVC)のサポートも追加されました。また、長尺コンテンツ向けに複数の生成をつなぎ合わせる「リクエストスティッチング」の信頼性も大幅に向上したとのことです。
5. 提供状況
Eleven v4とEleven v4 Turboは、ElevenAgents、ElevenCreative、ElevenAPIを通じて即日利用可能です。
6. TechCrunchが伝える競争環境と会社の状況
6-1. 音声AI市場の競争激化
TechCrunchは、音声モデル市場でCartesia、Deepgram、Fish Audio、Boson、WellSaid Labsといったスタートアップが表現力豊かな音声モデルを開発しているほか、GoogleやOpenAIといった大手も自社の音声モデルを改良していると指摘し、競争が激しくなっていると伝えています。
6-2. エンタープライズ向け事業が急拡大
TechCrunchによると、ElevenLabsは、過去1年でエンタープライズ向けの通話事業を急速に拡大させており、事業の55%超が大企業からの売上になっているといいます。新モデルは、音声エージェント向けに適しており、レイテンシーの低さがより自然な会話を可能にするほか、LLMが回答の生成を始めた時点で音声生成を開始できる点、対立・エスカレーション・保留といった状況を従来と異なる形で扱える点も、問題解決の質を高めるとしています。
6-3. 評価額220億ドルの噂、ARRは6億ドル超に
TechCrunchは、ElevenLabsが、今年初めにSequoiaから5億ドルを調達し、評価額110億ドルとなったことに触れ、その後、評価額220億ドルでの追加調達の噂もすでに出ていると報じました。同社の年間経常収益(ARR)換算は、年初の約3.3億ドルから6億ドル超まで伸びているといいます。インド・欧州・ブラジルなど各市場で積極的に人材を採用しており、従業員数は800人を超えたとのことです。
同社の共同創業者兼CEOであるMati Staniszewski氏は、TechCrunchとの最近のインタビューで、「今後数年以内」のIPOを目指していると述べたものの、具体的な時期は明言しなかったとされています。
