ElevenLabsのAI音声クローン：10秒・2分の音声で精度を比較

👁 116閲覧数

ElevenLabsのAI音声クローンは、数十秒から数分の録音をもとに声を再現し、その声で好きな文章を読み上げる機能です。今回のテストでは、合成音声だけを使いました。Voice Designで実在しないナレーターの声を作り、10秒、30秒、2分のサンプルからクローンを作成しています。この記事では録音と、元の声との類似度の測定結果、料金、利用前に知っておきたい注意点を紹介します。

01ElevenLabs Dubbingの使い方と料金、v1・v2を比較テスト24秒の英語クリップを使い、ElevenLabs Dubbing v1・v2の翻訳、処理時間、クレジット消費、声の類似度を比較しました。読む →02ElevenLabs Agentsのボイスボットを検証：応答速度・精度・料金ElevenLabs Agentsで歯科医院の受付ボイスボットを作成。実通話とシミュレーションで、応答速度・認識精度・料金を検証しました。読む →03ElevenLabs Scribeの文字起こし精度を検証：固有名詞・数字の認識難しい固有名詞や数字を含む音声でElevenLabs Scribeを検証。話者分離、背景ノイズ、Whisperとの比較結果を紹介します。読む →

他人の声を使う場合は本人の同意が必要

他人の声をクローンする場合は、その人の同意を得てください。ElevenLabsは、声に関する権利侵害の申告を個別に審査するとしています。Professional Voice Cloning（PVC）は自分の声でのみ作成できます。ElevenLabsのヘルプによると、他人の同意があっても、PVCでは声がアカウント所有者本人のものか確認されます。他人が自分の声を共有したい場合は、その人自身が自分のアカウントでクローンを作成して本人確認を済ませ、非公開リンクで共有する必要があります。そのため今回のテストでは、実在の人物の録音を使いませんでした。リスクについては、自分の声を自分だけのものにできなくなる時代でも詳しく紹介しています。

Instant Voice CloningとProfessional Voice Cloningの違い

公式ドキュメントは、IVCでは珍しい声質やアクセントの再現が難しい場合があり、クローン作成後にアクセントや声の調子を変更できないと説明しています。変更するにはサンプルを差し替える必要があります。プラン料金は税別で、2026年9月28日に確認しました。

テストの手順

ステップ1：実在しない声を作成。Voice Design（モデル：eleven_ttv_v3）でナレーターの特徴を英語で指定し、ポーランド語のテスト用文章（354文字）を入力しました。公式ドキュメントは、声の特徴がぶれないよう、言語やアクセントから説明を始める方法を勧めています。3種類の候補が生成され、326クレジットを消費しました。最初の候補を選びました。声の高さの中央値は68 Hzで、確認用の文字起こしに誤りはありませんでした。以下は、テストで使った英語の説明文を日本語に訳したものです。

50代のポーランド人男性。低く温かみがあり、少しかすれた声。
落ち着いた、ゆったりとしたドキュメンタリー調のナレーション。
ポーランド語のネイティブアクセント。マイクの近くで録音したスタジオ品質の音声。

ステップ2：サンプルを用意。この声で、モデルEleven v4を使ってビエシュチャディ山地についての5段落の音声を生成しました。合計116秒の音声から、最初の10秒、最初の30秒、全体の3種類を切り出しました。

ステップ3：3種類のクローンを作成。それぞれのサンプルをInstant Voice Cloningにアップロードしました。音声はクリアだったためノイズ除去フィルターは使っていません。公式ドキュメントも、ノイズのない音声にフィルターを使うと品質が下がる場合があると注意しています。クローンはどれも数秒で作成されました。

ステップ4：同じ文章をそれぞれの声で読み上げ。元音声、3種類のクローン、比較用の既成の男性音声Brianに、日付と時刻を含む同じ文を読ませました。話者照合モデルWavLMで類似度を測定しました（1は同一の声を示します）。また、音声をScribeで文字起こししました。測定に使った文章はポーランド語で、以下の音声もそのテスト結果です。

テスト結果

すべての音声は一語一句正確に文字起こしされました。違いは時刻の表記だけです。元音声と10秒、30秒のクローンではScribeが「18時45分」をポーランド語の単語で書き起こし、2分のクローンでは「18:45」と表記しました。これは表記形式の違いで、誤りではありません。クローンは英語も話し、声質もおおむね元音声に近いままでした（類似度0.81〜0.83に対し、元音声は0.85）。

ただし、10秒のサンプルでも高い数値が出たのは、元音声が合成音声で、残響やノイズ、マイクとの距離の変化がなかったことが大きいと考えられます。スマートフォンで録音した音声では、サンプルを長くする効果がより大きく出ると予想します。これは私の見解です。Professional Voice Cloningは、アカウント所有者の声の確認が必要です。今回のテスト用の声には実際の所有者がいないため、テストしていません。

ElevenLabsで自分の声をクローンする方法

1. 静かな部屋で、ひとつのマイクを使って1〜2分話した音声を録音します。長い無音部分は避けてください。PVCの公式ドキュメントは、ピークを-6〜-3 dB、平均音量を約-18 dBにするよう勧めています。MP3で問題なく、公式ドキュメントによるとWAVにしても通常はクローンの品質は上がりません。
2. アプリで「Voices」から「Create a voice」、「Instant Voice Clone」の順に進み、音声ファイルをアップロードします。自分の声、またはクローンする人から書面で同意を得た声だけを使ってください。
3. ノイズが実際にある録音に限り、ノイズ除去フィルターを有効にします。
4. 数字や固有名詞を含む文でクローンを確認します。アクセントが合わない場合は、設定を変更できないためサンプルを差し替えてください。

APIでは、次のコマンドひとつで作成できます（2026年9月28日に10秒のサンプルでテスト）。コード内の音声名とファイル名は、元のテスト用コマンドを日本語向けにした表記です。

curl -X POST https://api.elevenlabs.io/v1/voices/add \
  -H "xi-api-key: $ELEVENLABS_API_KEY" \
  -F "name=自分の声" -F remove_background_noise=false \
  -F files=@サンプル.mp3

応答で返されるvoice_idを、後のテキスト読み上げに使います。長文を読み上げる方法はAIナレーターの記事を、録音済み音声の声を変える方法はVoice Changerの記事をご覧ください。

料金はいくら？

IVCのクローン作成自体では、私のテストではクレジットを消費しませんでした。費用がかかるのは、既成の声と同じく、クローンに文章を読み上げさせるときです。たとえばEleven v4のAPI料金は、通常、1,000文字あたり0.08 USDです。2026年10月12日までのキャンペーン価格は1,000文字あたり0.022 USDです。いずれも税別です。Voice Designでは、3種類の候補を作成するのに326クレジットを使いました。登録できる自分の声の数はプランによって異なり、無料プランは3、Starterは10、Creatorは30、Proは160です。プランの詳しい比較はElevenLabsの料金の記事、機能の概要はElevenLabsガイドをご覧ください。

よくある質問

ElevenLabsで声をクローンするには、何分の録音が必要ですか？

公式ドキュメントは、Instant Voice Cloningには1〜2分、Professional Voice Cloningには30〜180分を推奨しています。今回のテストでは、クリアな合成音声を使ったところ、10秒で類似度0.990、2分で0.995でした。

ElevenLabsの音声クローンは無料ですか？

無料ではありません。Instant Voice Cloningには月額6 USDのStarter、Professional Voice Cloningには月額22 USDのCreatorが必要です。IVCのクローン作成自体では、今回のテストではクレジットを消費しませんでした。

他人の声をクローンできますか？

本人の明確な同意を得て、適用される法律に従う必要があります。ElevenLabsでは、他人の声のProfessional Voice Cloningは作成できません。同意があっても、声の所有者本人であることの確認が必要です。

クローンした声は日本語を話せますか？

多言語モデルを使ってクローンの音声を生成できます。今回のテストではEleven v4を使い、クローンはポーランド語と英語で文章を読み上げました。テストはポーランド語で実施しており、日本語での性能を検証したものではありません。文字起こしでは、内容の誤りはありませんでした。

// 続きを読むElevenLabs Dubbingの使い方と料金、v1・v2を比較テストベンチマークElevenLabs Scribeの文字起こし精度を検証：固有名詞・数字の認識ベンチマークElevenLabs Agentsのボイスボットを検証：応答速度・精度・料金ベンチマーク