ElevenLabs、音声生成モデル Eleven v4 を公開──英語音声ベンチマークで Elo 1,319 を記録
Eleven v4 はネイティブ音声の Elo で首位を獲得し、発音堅牢性で 91.7% を記録したが、標準価格は $80/1M 文字と高水準である。
リリース: 2026-09-28 · 読了 3 分記事の要約
1. 核心（What）
- ElevenLabs は人工音声モデル Eleven v4 を公開し、Artificial Analysis の英語 Provider Voice Arena で首位を獲得した。
- 発音堅牢性スコアで過去最高の 91.7% を記録し、Cartesia Sonic 3.6 や Gemini 3.8 Flash TTS を上回った。
- 通常版に加え、音声対話エージェント向けにレイテンシを最適化した Turbo バリアントが提供される。
- 音声クローンスタックが再構築され、10 秒間の音声サンプルからインスタントクローンを作成可能になった。
2. 影響（Why）
- 高品質な英語ナレーションの標準化: 英語ナレーションやキャラクター表現において最高峰の品質を求めるプロダクトでは、リーダーボード首位の Eleven v4 が最有力な選択肢になる。
- 国内音声対話サービスにおけるコスト試算の見直し: [国内 音声対話 SaaS 業種] のような中規模事業者は、標準価格 $80/1M 文字のコスト構造がユニットエコノミクスを圧迫するため、Turbo バリアントや他社モデルとの併用検討が必須になる。
3. 根拠・詳細（How）
- アーキテクチャと音声クローンの移行仕様: v4 では音声クローン機能が刷新されており、旧バージョンで作成したプロフェッショナルおよびインスタントクローンは再学習が必要となる。
- スループットとレイテンシの計測値: 合成スループットは 73.4 文字/秒に向上し、Turbo バリアントでは最初の音声出力までの時間 (TTFS) が中央値 150 ミリ秒に到達する。
4. 展望・課題（Next）
- 旧クローンの移行と識別精度テスト: プロダクトへの統合前に、再学習済みの音声クローンにおける話者同一性や発音の一貫性を旧環境と比較検証する。