ElevenLabs Eleven v4：より速く、より表現力豊かなアラビア語の機械音声

2026年9月28日、ElevenLabsは二つの新しい音声合成モデルを発表しました。同社で最も高品質かつ表現力豊かなモデルであるEleven v4と、生成レイテンシの中央値が約100ミリ秒のリアルタイム会話向けに作られたEleven v4 Turboです。どちらもアラビア語を含む90以上の言語に対応し、API価格は10月12日まで72%割引されています。事業者にとっての要点はこうです。電話に出る自動受付とあなたの間に立ちはだかっているのは、もはや声そのものではありません。本当の障害は今や、それが頼る情報、話す内容を決めるルール、そしていつ人に電話を引き継ぐかです。

具体的に何が発表されたのか？

同社の公式ドキュメントのモデルページによると、今回のリリースは二つのモデルからなるファミリーです。

  • Eleven v4：最高品質のモデルで、ナレーション、複数話者の対話、オーディオブック、多言語プロジェクト向けです。一回のリクエストで最大10,000文字、約10分の音声を受け付けます。前世代のv3では5,000文字でした。
  • Eleven v4 Turbo：生成レイテンシの中央値が約100ミリ秒のリアルタイム版で、同社が挙げる用途の筆頭はカスタマーサポートのエージェントとAIアシスタントです。

対応言語はv3の70以上から90以上に増え、どちらのモデルも話し方やトーンを制御するオーディオタグに対応しています。TechCrunchによると、このモデルは10秒のサンプルから声をクローンでき、品質が最も大きく向上したのは日本語、ブラジルポルトガル語、北京語、広東語でした。つまり、アラビア語は発表で強調された言語には含まれていませんでした。

実際の費用はいくらか？

ElevenLabsはAPIを1,000文字あたりの米ドルで価格設定しています。公式の料金ページでは、Eleven v4が0.08ドルのところ0.022ドル、Turboが0.04ドルのところ0.011ドルで、割引は10月12日まで続きます。ドキュメントでは10,000文字を約10分の音声と見積もっているため、大まかな目安として、音声一分あたり約1,000文字が必要です。

実際の例を挙げましょう。音声エージェントが月に1,000分話すカスタマーサービス回線では、約百万文字を使います。割引終了後、音声の費用はTurboで月約40ドル、v4で約80ドルです。これは音声だけの費用です。返答を決める言語モデル、顧客の発話の文字起こし、電話回線、自社システムとの連携は別の費用で、通常は請求額の大部分を占めます。

ビジネスのどこで役立つか？

  • 営業時間外の電話応対：クリニックの予約、注文状況の確認、営業時間や所在地の問い合わせなどに、「1を押してください、2を押してください」といった長い電話メニューなしで対応できます。
  • コンテンツのナレーション：製品動画、社内研修、新入社員向けのシステム説明をアラビア語と英語で制作でき、すべての動画で一貫した声を使え、毎回スタジオを予約する必要もありません。
  • より多くの人に届ける：聞くほうを好む人のために文章コンテンツを読み上げたり、外国人労働者にウルドゥー語、ヒンディー語、フィリピン語といった母語で対応したりできます。これらはすべて対応言語リストに含まれています。

機械音声が顧客に応対する前に

音声品質が良くなるほど、間違いは減るのではなく、より説得力を持ってしまいます。自信に満ちた人間らしい口調で話し、存在しない予約を顧客に伝えるエージェントは、退屈な電話メニューよりも悪いのです。だからこそ私たちは、どのプロバイダーを選ぶよりも先に、クライアントとこれらの質問から始めます。

  • 回答はどこから来るのか？エージェントは、一度書いたきりの固定スクリプトではなく、予約、在庫、注文のシステムからリアルタイムで読み取るべきです。これについてはAIのための社内ナレッジベースの構築で説明しました。
  • いつ人に引き継ぐのか？苦情、高額の案件、怒っている顧客は、会話の要約とともにすぐに人へ回します。詳しくはアシスタントからスタッフへの会話の引き継ぎをご覧ください。
  • アクセントは顧客に合っているか？ドキュメントはアラビア語を方言の詳細なしに記載しているので、実際の通話から取ったスクリプトでテストしてください。地区名、自社の商品名、数字、ヒジュラ暦の日付などです。
  • データと同意はどうするか？通話の録音や文字起こしは個人情報保護法（PDPL）の対象となる個人データであり、従業員の声をクローンするにはその人の明示的な同意が必要です。PDPLにおける顧客との会話とAIをご覧ください。
  • 顧客は機械と話していると分かっているか？最初の一文でそれを伝えることが信頼を守ります。特に、ディープフェイク詐欺からビジネスを守る方法で取り上げたように、クローン音声はよく知られた詐欺の道具になっているからです。

今すぐ切り替えるべきか？

すでにv3やMultilingual v2で動いていて役目を果たしているシステムがあるなら、急ぐ必要はありません。ドキュメントによると、Eleven v4はText to Dialogue APIで、TurboはそのWebSocket接続で利用できるため、切り替える前に現在の連携がそれに対応しているか確認してください。より賢明なのは、割引期間を利用して実際のスクリプトのサンプルで並べて比較するテストを行い、一時的な価格ではなく、結果と通常価格に基づいて判断することです。

Origamiでの構築方法

私たちは音声エンジンをシステムの土台ではなく、交換可能な部品として扱います。何を話すかを決めるロジック、予約・請求・在庫システムとの連携、通話ログ、引き継ぎルールは、すべてお客様の側で、お客様の管理下に構築します。そうすれば、今日Eleven v4を試し、価格が変わったり顧客の方言により適したモデルが登場したりした場合には、すべてを作り直すことなく明日別のプロバイダーに移ることができます。ゼロから始める場合は、カスタマーサービスにおける音声AIに関する記事で全体像を示しています。

実践的なアドバイス：予約の確認や注文状況の照会など、範囲を絞った流れを一つ選び、通話の一部で二週間運用してから、引き継ぎなしで終わった通話の数、エラー率、顧客満足度を測定してください。自社の通話から得た実際の数字は、比較表のどんなランキングよりも正直です。

出典