Eleven v4 と Eleven v3：変更点とナレーション制作への影響

Eleven v4 と Eleven v3 の違いを一段落で#

Eleven v4 と Eleven v3 の比較では、収録するナレーションとリアルタイムの音声エージェントで判断基準が変わります。ElevenLabs は2026年9月28日に v4 と v4 Turbo を発表 (新しいタブで開きます)し、10月19日付で記事を更新しています。新しいアーキテクチャ、対応言語の拡大、音声制御の見直しは、いずれもプロバイダーが公表した変更です。2026年10月21日時点で、両 v4 モデルとも OmniArt では利用できません。Eleven v3、Eleven Multilingual v2、Eleven Turbo v2.5 で引き続き制作できます。公開前に編集する動画では、収録された演技を評価しましょう。即座に返答する必要があるエージェントでは、ストリーミングの遅延を別途調べる必要があります。

ElevenLabs が説明する変更点#

以下の比較では、OmniArt で選べる操作項目と、ElevenLabs によるモデル全体の説明を分けています。OmniArt の数値は、2026年10月21日に確認した音声カタログと言語一覧に基づきます。v4 の欄は日付のあるリリース発表 (新しいタブで開きます)の要約です。記載した能力はプロバイダーの発表によるもので、OmniArt での実機比較ではありません。

言語選択肢の数は連携実装上の情報であり、モデルの品質をすべて表すものではありません。必要な言語があるか確認してから、その言語の人名、日付、つなぎの表現を試聴してください。同様に、プロバイダーに音声クローン機能があっても、制作プラットフォームがそれを提供しているとは限りません。この記事では OmniArt での音声クローン手順を案内せず、v4 の提供時期も予測しません。

2つの遅延数値の読み方#

ElevenLabs は2026年9月28日公開、10月19日更新の発表 (新しいタブで開きます)のアーキテクチャ節で、Eleven v4 Turbo の推論遅延の中央値は約100ミリ秒と報告しています。この記述には測定方法が添えられていません。リクエストから実際に音声が聞こえるまでの時間と言い換えてはいけません。

同じ資料には、別の指標としてEleven v4 Turbo の最初の音声までの時間の中央値は約150ミリ秒とも記載されています。脚注3では、これをリクエストから可聴音声までの時間と定義しています。測定は2026年9月に同一の台本とデフォルト設定で行われ、v4 Turbo は WebSocket ストリーミングを使用しています。全システムでネットワーク遅延を測定し、その時間を差し引いています。比較対象は Cartesia Sonic 3.6、xAI TTS、Google Gemini 3.8 Flash-Lite TTS、OpenAI GPT-4o mini TTS です。両数値ともプロバイダーの報告であり、Turbo ではない v4 モデルの遅延を示すものではありません。

この2つは別々の指標です。1つの範囲にまとめたり、差を引いてプロバイダーが説明していない処理段階の所要時間を推測したりしないでください。また、中央値だけでは、遅いリクエストがどのように動くかは分かりません。

リアルタイムのエージェントでは、利用者が使うネットワークと端末でやり取り全体をテストしてください。聞き手の待ち時間には音声合成以外にも、発話の区切りの検出、応答の計画、転送、再生が含まれます。ネットワーク時間を除くとベンチマークを切り分けやすくなる一方、聞き手の総待ち時間からは離れます。

事前生成する YouTube ナレーション、広告、ローカライズ動画では、第一声の遅延が完成品を左右することはあまりありません。むしろ演技、発音、間、編集のしやすさを聞き比べましょう。生成速度は日々の作業に影響しますが、物足りない読みを最終版に使える演技へ変えるわけではありません。

好みの評価と順位に関する発表#

ElevenLabs の発表記事 (新しいタブで開きます)によると、v4 は2026年9月の Artificial Analysis の Provider Voice Arena で1位になりました。これはプロバイダーが引用する過去の順位です。2026年10月21日時点のランキング順位は、独立には確認していません。

また同記事は、プロバイダーが2026年9月に実施したブラインドテストで、聞き手の選好率が約75%だったと報告しています。評価者は同じ台詞の表現力と自然さを比較し、同点は0.5として計上しました。比較対象は Cartesia Sonic 3.6、Inworld TTS-2、Google Gemini 3.8 Flash-Lite TTS、Google Gemini 3.8 Flash TTS です。これはプロバイダーが実施したテストであり、遅延テストとは比較対象も異なります。OmniArt 上で v3 より好まれた割合を測定したものではありません。

こうした情報は、試聴するモデルを絞るために使い、実際の台本の確認に置き換えないでください。全体的に滑らかな読みでも、商品名の誤読が致命的になることがあります。ローカライズでは、対象言語に堪能な人に文脈を含めて確認してもらいましょう。この記事には v4 の試聴テストはなく、独自の品質順位も付けていません。

現在の OmniArt で使えるナレーション#

2026年10月21日時点の OmniArt 音声カタログと料金単位から、実用的な選択肢を整理しました。以下の上限と費用は OmniArt の設定であり、ElevenLabs API の料金ではありません。

同日に確認した言語一覧では、Multilingual v2 は言語コード29種類と自動検出、Turbo v2.5 は32種類と自動検出を提供しています。台本の長さだけで選ぶ前に、選択欄で対象言語を確認してください。

上記の2026年10月21日時点の料金規則では、1,000文字の台本は v3 で20クレジット、Turbo v2.5 で10クレジットです。ブロックは切り上げで計算され、ちょうど1ブロック分を超えて文字を追加すると次の課金ブロックが始まります。これは1回の生成の見積もりであり、追加テイクには別途費用がかかります。演技指示タグを含めた実際の台本を音声モードに貼り付け、表示される見積もりを確認してください。

v3 を評価するには、音声合成とモデルを選び、声のプリセットを固定して、演技を明確に変える必要がある段落から始めます。以下の台本を試した後、角括弧のタグを取り除いてもう一度試聴してください：

意図した瞬間に興奮が伝わるか、声を落とす結末でも言葉が聞き取れるかを確認します。指示付きの段落の隣に中立的な段落を置き、単独の効果だけでなく切り替わりも聞いてください。一度に変えるのは台本の一部分に絞り、編集に合うテイクを残します。

タグの配置と例は Eleven v3 音声タグガイドを参照してください。編集全体の手順は YouTube 動画のAIナレーション、Free プランの代替案は MiniMax Speech ガイドで説明しています。古いチュートリアルと異なる場合は、上記の現行の上限と費用を使ってください。