ElevenLabs Text-to-Speech

テキストから自然な音声を生成します。70以上の言語に対応し、品質とレイテンシのトレードオフのための複数のモデルをサポートしています。

セットアップ: インストールガイドを参照してください。JavaScript の場合は @elevenlabs/* パッケージのみを使用してください。

クイックスタート

Python

from elevenlabs import ElevenLabs

client = ElevenLabs()

audio = client.text_to_speech.convert(
    text="Hello, welcome to ElevenLabs!",
    voice_id="JBFqnCBsd6RMkjVDRZzb",  # George
    model_id="eleven_multilingual_v2"
)

with open("output.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

JavaScript

import { ElevenLabsClient } from "@elevenlabs/elevenlabs-js";
import { createWriteStream } from "fs";

const client = new ElevenLabsClient();
const audio = await client.textToSpeech.convert("JBFqnCBsd6RMkjVDRZzb", {
  text: "Hello, welcome to ElevenLabs!",
  modelId: "eleven_multilingual_v2",
});
audio.pipe(createWriteStream("output.mp3"));

cURL

curl -X POST "https://api.elevenlabs.io/v1/text-to-speech/JBFqnCBsd6RMkjVDRZzb" \
  -H "xi-api-key: $ELEVENLABS_API_KEY" -H "Content-Type: application/json" \
  -d '{"text": "Hello!", "model_id": "eleven_multilingual_v2"}' --output output.mp3

モデル

モデルID	言語数	レイテンシ	最適用途
eleven_v3	70+	標準	最高品質、感情表現範囲が広い
eleven_multilingual_v2	29	標準	高品質、長いコンテンツ向け
eleven_flash_v2_5	32	約75ms	超低レイテンシ、リアルタイム対応
eleven_flash_v2	英語	約75ms	英語のみ、最速
eleven_turbo_v2_5	32	約250～300ms	品質と速度のバランス型
eleven_turbo_v2	英語	約250～300ms	英語のみ、バランス型

ボイスID

事前に作成されたボイスを使用するか、ダッシュボードでカスタムボイスを作成できます。

人気のボイス:

• JBFqnCBsd6RMkjVDRZzb - George（男性、ナレーション向け）
• EXAVITQu4vr4xnSDxMaL - Sarah（女性、柔らかい声）
• onwK4e9ZLuTAKqWW03F9 - Daniel（男性、権威的）
• XB0fDUnXU5powFXDhCwa - Charlotte（女性、会話的）

voices = client.voices.get_all()
for voice in voices.voices:
    print(f"{voice.voice_id}: {voice.name}")

ボイス設定

ボイスの音声を細かく調整します：

• Stability: ボイスの一貫性。低い値 = より感情的な範囲と変動があるが不安定に聞こえることもある。高い値 = 安定した予測可能な読み上げ。
• Similarity boost: 元のボイスサンプルとの一致度。高い値 = 元のボイスに近いが、オーディオアーティファクトが増幅される可能性がある。
• Style: ボイスの独特のスタイル特性を強調します（v2以上のモデルのみで機能）。
• Speaker boost: クリアさとボイスの類似性を強化するポストプロセッシング。

from elevenlabs import VoiceSettings

audio = client.text_to_speech.convert(
    text="Customize my voice settings.",
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    voice_settings=VoiceSettings(
        stability=0.5,
        similarity_boost=0.75,
        style=0.5,
        speed=1.0,             # 0.25 to 4.0 (default 1.0)
        use_speaker_boost=True
    )
)

言語強制

発音の特定の言語を強制します：

audio = client.text_to_speech.convert(
    text="Bonjour, comment allez-vous?",
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    model_id="eleven_multilingual_v2",
    language_code="fr"  # ISO 639-1 code
)

テキスト正規化

数字、日付、略語が音声にどのように変換されるかを制御します。例えば、「01/15/2026」は「January fifteenth, twenty twenty-six」となります：

• "auto"（デフォルト）: モデルが文脈に基づいて判断
• "on": 常に正規化する（自然な音声が必要な場合に使用）
• "off": リテラルに読み上げる（「ゼロ ワン スラッシュ ワン ファイブ...」のように読み上げたい場合に使用）

audio = client.text_to_speech.convert(
    text="Call 1-800-555-0123 on 01/15/2026",
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    apply_text_normalization="on"
)

リクエストステッチング

複数のリクエストで長いオーディオを生成する場合、境界部分でポップノイズ、不自然な一時停止、または音声の変化が生じることがあります。リクエストステッチングは、各リクエストに前後の内容を知らせることで解決します：

# 最初のリクエスト
audio1 = client.text_to_speech.convert(
    text="This is the first part.",
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    next_text="And this continues the story."
)

# 前のコンテキストを使用する2番目のリクエスト
audio2 = client.text_to_speech.convert(
    text="And this continues the story.",
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    previous_text="This is the first part."
)

出力フォーマット

フォーマット	説明
mp3_44100_128	MP3 44.1kHz 128kbps（デフォルト）- 圧縮、ウェブ/アプリ向け
mp3_44100_192	MP3 44.1kHz 192kbps（Creator+） - 高品質圧縮
mp3_44100_64	MP3 44.1kHz 64kbps - 低品質、小さいファイルサイズ
mp3_22050_32	MP3 22.05kHz 32kbps - 最小MP3ファイル
pcm_16000	Raw PCM 16kHz - リアルタイム処理向け
pcm_22050	Raw PCM 22.05kHz
pcm_24000	Raw PCM 24kHz - ストリーミング向け良好なバランス
pcm_44100	Raw PCM 44.1kHz（Pro+） - CDレベルの品質
pcm_48000	Raw PCM 48kHz（Pro+） - 最高品質
ulaw_8000	μ-law 8kHz - 電話システムの標準（Twilio、電話）
alaw_8000	A-law 8kHz - 電話（μ-lawの代替）
opus_48000_64	Opus 48kHz 64kbps - 効率的なストリーミングコーデック
wav_44100	WAV 44.1kHz - ヘッダ付き非圧縮

ストリーミング

リアルタイムアプリケーション向けに、stream メソッドを使用します（生成されたオーディオをチャンクごとに返します）：

audio_stream = client.text_to_speech.stream(
    text="This text will be streamed as audio.",
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    model_id="eleven_flash_v2_5"  # 超低レイテンシ
)

for chunk in audio_stream:
    play_audio(chunk)

WebSocketストリーミングについては references/streaming.md を参照してください。

エラーハンドリング

try:
    audio = client.text_to_speech.convert(
        text="Generate speech",
        voice_id="invalid-voice-id"
    )
except Exception as e:
    print(f"API error: {e}")

一般的なエラー：

• 401: 無効なAPIキー
• 422: 無効なパラメータ（voice_id、model_idを確認）
• 429: レート制限を超過

コスト追跡

レスポンスヘッダ（x-character-count、request-id）を使用して文字数使用量を監視します：

response = client.text_to_speech.convert.with_raw_response(
    text="Hello!", voice_id="JBFqnCBsd6RMkjVDRZzb", model_id="eleven_multilingual_v2"
)
audio = response.parse()
print(f"Characters used: {response.headers.get('x-character-count')}")

参考資料

• インストールガイド
• オーディオストリーミング
• ボイス設定