ElevenLabsドキュメント

Add ElevenLabs to my project: run `npx -y @elevenlabs/cli@latest onboard init` and follow what it prints.

ElevenLabsの仕組み

ElevenLabsは、テキスト読み上げ、スピーチtoテキスト、ボイスクローン、音声エージェント、生成オーディオのためのAI音声インフラを提供しています。用途に応じて、異なるユーザー層に適した4つの方法で利用できます。

ElevenCreative は、クリエイター、プロデューサー、編集者がブラウザー上でボイスオーバー、音楽、吹き替え、スタジオプロジェクトを直接生成できるノーコードのWebアプリケーションです。

ElevenAgents は、音声エージェントを設計・運用するためのプラットフォームです。技術者でないユーザー向けのビジュアルビルダーと、デベロッパー向けの完全なプログラム制御を備えています。

ElevenAPI は、すべての機能を公式のPythonおよびTypeScript SDKを備えたRESTインターフェースとして提供します。デベロッパーは独自のアプリケーションやワークフローに音声を組み込めます。

Reception.ai は、中小企業向けのすぐに導入できるAI電話受付です。電話応対、予約受付、日常業務の管理を1つのダッシュボードで行えます。

パスを選択

ElevenCreative

ステップごとのガイドでElevenCreativeプラットフォームの使い方を学ぶ

ElevenAgents

ElevenLabsでエージェントを構築、公開、拡張する方法を学ぶ

ElevenAPI

例とチュートリアルでElevenLabs APIの統合方法を学ぶ

基本概念

音声は、オーディオ生成で使用する話者ペルソナです。各音声には一意のIDがあります。たとえば JBFqnCBsd6RMkjVDRZzb です。このIDはダッシュボードで選択するか、APIリクエストで指定します。ElevenLabsは10,000以上の音声ライブラリを維持しています。オーディオ録音から音声をクローンしたり、テキストによる説明から生成したりすることもできます。

モデルは、生成されるオーディオの品質、レイテンシー、対応言語を制御します。eleven_v4 は90以上の言語で最も表現力豊かな出力を生成します。eleven_v4_turbo は、推論レイテンシーの中央値約100msでリアルタイム利用を想定しています。スピーチtoテキスト、音楽、サウンドエフェクトなどの各機能には、それぞれ専用モデルがあります。選択するには、どのモデルを使用すべきですか？ を参照してください。

料金の仕組み

クレジットは、すべてのプロダクトで共通の消費単位です。テキスト読み上げでは、入力テキスト1文字あたり1クレジットがかかります。その他の操作は、処理したオーディオの秒数に応じて課金されます。クレジットは毎月リセットされ、未使用分は最大2か月繰り越せます。詳細は料金をご覧ください。

月額サブスクリプションなしでAPIを利用する場合は、Pay As You Goで残高を事前に支払えます。サブスクリプションのクレジットを使い切った後、ElevenLabsの利用に応じて残高から差し引かれます。

本番環境向けに構築

ElevenLabsのテキスト読み上げはどれくらい速いですか？

Eleven Flash v2.5は、モデル推論レイテンシー約75msでオーディオを生成します。Eleven v4 Turboは中央値約100msです。Scribe v2 Realtimeは、部分的な文字起こしを約150msで返します。これらの数値にはアプリケーションとネットワークのレイテンシーは含まれないため、ユーザーがオーディオを聞くまでの時間はより長くなります。レイテンシーについて理解するでは数値の対象範囲を説明し、レイテンシーの最適化ではエンドツーエンドのレイテンシーを削減する方法を紹介しています。

ElevenLabsはスケールにどう対応しますか？

プランによって、同時に処理できるリクエスト数が決まります。同時実行数の上限は、同時会話数の上限ではありません。目安として、上限が5の場合、使用する音声やユースケースに応じて通常は約100件の同時オーディオ配信をサポートできます。エンタープライズプランでは上限が引き上げられます。プランごとの上限と負荷テストのガイダンスについては、同時実行数と優先度を参照してください。

エンタープライズ向け管理機能

• プライベートデプロイメント では、自身のクラウドアカウント内でElevenAgents、テキスト読み上げ、スピーチtoテキストを実行するため、テキスト、オーディオ、文字起こしがネットワーク内にとどまります。
• データレジデンシー では、デフォルトの米国ロケーションではなく、EU、インド、シンガポールの分離環境にデータを保存します。エンタープライズ向け機能です。
• ワークスペース では、請求、共有リソース、チームアクセス、APIキー管理を一元化します。エンタープライズワークスペースでは、SAML 2.0またはOIDCによるSSO、およびOCSFスキーマでの管理操作の監査ログが追加されます。

最初のオーディオを生成する

SDKをインストールし、APIキーを環境変数として設定すると、1回のリクエストでテキストをMP3ファイルに変換できます。代わりにコーディングエージェントでこの設定を行う場合は、コーディングエージェントでセットアップを参照してください。

pip install elevenlabs python-dotenv

ELEVENLABS_API_KEY=<your_api_key_here>

from dotenv import load_dotenv
from elevenlabs.client import ElevenLabs
import os
load_dotenv()
elevenlabs = ElevenLabs(
  api_key=os.getenv("ELEVENLABS_API_KEY"),
)
audio = elevenlabs.text_to_speech.convert(
    text="The first move is what sets everything in motion.",
    voice_id="JBFqnCBsd6RMkjVDRZzb",  # "George" - browse voices at elevenlabs.io/app/voice-library
    model_id="eleven_v4",
    output_format="mp3_44100_128",
)
with open("output.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

elevenlabs text-to-speech convert \
  --voice-id JBFqnCBsd6RMkjVDRZzb \
  --model-id eleven_v4 \
  --text "The first move is what sets everything in motion." \
  --output-format mp3_44100_128 \
  --output output.mp3

ElevenAPIクイックスタートでは、CLIのセットアップやスピーカーでのオーディオ再生を含め、同じリクエストをより詳しく説明しています。

ElevenAgentsで何を作れますか？

ElevenAgentsは、音声認識、選択したLLM、テキスト読み上げ、ターンテイキングを組み合わせ、ダッシュボードまたはSDKで設定できる1つの音声エージェントにします。

• カスタマーサポート：エージェントにナレッジベースを接続し、独自のドキュメントに基づいて質問に回答します。
• 電話回線：ネイティブ統合でTwilio番号を接続し、着信・発信通話に対応できます。既存の電話システムをSIPトランキング経由で接続することもできます。
• アウトバウンドキャンペーン：一括発信で、多数の発信通話を同時に行えます。
• Webサイトとアプリ：ウィジェットを使用して、音声とテキストの両方に対応するエージェントを埋め込めます。

ElevenAgentsクイックスタートでは、最初のエージェントを最初から最後まで構築します。

どのモデルを使用すべきですか？

ユースケースから始めましょう。以下の各モデルIDは、APIリクエストでmodel_idとして渡す値です。

さらに多くのユースケースは適切なモデルを選ぶ、完全な仕様はモデルリファレンスをご覧ください。

機能から探す