ElevenLabs: Eleven v3

Eleven v3 は ElevenLabs のテキスト読み上げモデルで、api14 にモデル id elevenlabs/eleven-v3 として掲載されています。speech カテゴリに属するため、汎用のチャットや推論モデルではありません。その役割は、書かれたテキストを音声に変換することです。アプリケーションに音声レイヤーが必要なら、これはプラットフォーム上の他の音声オプションと並べて評価する種類のモデルです。

このモデルはテキストのみを入力として受け取り、音声のみを出力として返します。ElevenLabs によると、感情豊かで非常に表現力の高い音声を生成し、インライン音声タグをサポートします。これにより、別個のコントロールではなく、送信するテキスト内から話し方を調整できます。70 以上の言語に対応しているため、同じモデルでプロバイダーを切り替えることなく多言語製品に対応できます。1 回のリクエストは 5,000 文字に制限されており、長い文書を分割する際に設計上の上限となります。利用可能な音声は george、sarah、adam、alice、bella、bill、brian、callum、charlie、chris、daniel、eric、harry、jessica、laura、liam、lily、matilda、river、roger、will です。

これらの機能は、かなり具体的なユースケース群を示しています。動画、オーディオブック、ポッドキャスト、eラーニング教材のナレーションは、表現力豊かな話し方とインライン音声タグの恩恵を受けます。台本内で強調やトーンを直接マークアップできるからです。製品やインターフェースの作業にも適しています。広告、オンボーディングフロー、通知、アクセシビリティ機能のボイスオーバーでは、平板で機械的な読み上げは目立ってしまいます。このモデルは 70 以上の言語を扱えるため、市場をまたいで一貫した音声が必要なローカリゼーションパイプラインに適しており、固定の音声リストにより、コンテンツカタログ全体でブランドボイスを一貫させやすくなります。

api14 の OpenAI 互換 API を通じて、モデル id elevenlabs/eleven-v3 を使用して呼び出します。インターフェースが OpenAI の形式に従っているため、既存の OpenAI クライアントを api14 のベース URL に向けてこのモデルを選択でき、プロバイダー固有の統合を書く必要はありません。このモデルでサポートされているリクエストパラメータは記載されていないことに注意してください。そのため、読み上げたいテキストと選択した音声を送信する前提で計画し、format や speed コントロールなどの任意フィールドに依存する前に最新のスキーマを確認してください。音声はテキストではなく speech として返されるため、クライアントは JSON コンテンツを解析するのではなく、バイナリの音声レスポンスを処理する必要があります。

留意すべき主な制約は、5,000 文字のリクエスト制限です。完全な章や長いサポート記事など、より長い台本はセグメントに分割し、後でつなぎ合わせる必要があります。これは、結合部分を通じてペースが一貫しているかに注意する必要があることも意味します。また、このモデルには公開されたコンテキスト長がなく、音声や画像の入力を受け付けません。そのため、文字起こし、音声の翻訳、テキストに対する推論は他のモデルに属します。タスクが音声合成ではなくテキスト生成や分析である場合、api14 のテキストモデルの方が適しています。