ElevenLabs（イレブンラボ）

• Freeプラン: 月額無料で、10,000クレジット（文字数の目安）までの音声生成が可能です。標準的な音声モデルを利用できますが、商用利用は不可となっています。
• Starterプラン: 月額6ドルで、30,000クレジットまでの音声生成が可能です。カスタム音声モデルを1つ作成でき、商用利用も許可されています。
• Creatorプラン: 月額22ドルで、121,000クレジットまでの音声生成が可能です。プロ品質の音声クローンが作成でき、優先サポートが提供されます。

ElevenLabsは、AIを活用した高品質な音声生成プラットフォームで、テキストから自然で感情豊かな音声を生成します。ユーザーはテキストを入力するだけで、Eleven v3モデルなら70以上の言語でリアルな音声を作成できます。また、カスタムボイスの作成や音声クローン機能も提供しており、個別のニーズに応じた音声コンテンツの制作が可能です。そして2026年9月10日には、世界最大のレコード会社であるユニバーサル ミュージック グループ（UMG）と提携し、許諾を取った楽曲を使って音楽を作れる新しいサービスを一緒に開発すると発表されました。ファンがUMGの楽曲をもとにリミックスやマッシュアップを作ったり、新しい解釈の曲を作ったりできるようにするもので、参加するアーティストには正当な対価が支払われる仕組みだと説明されています。

ElevenLabsにとっては初めての大手レコード会社との正式な許諾契約で、公開日はまだ発表されていません。そして2026年9月28日には、新しい音声モデル「Eleven v4」と、反応の速い「Eleven v4 Turbo」が公開されました。対応言語が70から90以上に増え、ある言語で録音した声に別の言語を話させても、その言語の人らしい自然なアクセントで話せるようになったと公式に説明されています（日本語について特に触れた説明はありません）。10秒ほどの音声があれば声を再現できるようになり、文章の中に目印を入れるだけで、感情や間の取り方、効果音まで指示できます。公式ブログでは、無料のアカウントからでもv4とv4 Turboを試せると案内されています（無料プランでは商用利用できない点は変わりません）。

さらに2026年10月20日には、声で会話するAI（音声エージェント）向けに、相手の声を聞いてそのまま声で返事をする新しいモデル「Eleven Realtime」が公開されました。費用をおさえた「v1 Mini」と、答える前に考えてから難しい用件もこなす「v1 Max」の2種類で、90以上の言語に対応し、ElevenLabsの音声エージェント機能「ElevenAgents」から使えます（日本語について特に触れた説明はありません）。2026年11月2日には、文章から効果音を作る新しいモデル「SFX v3」も公開され、Sound EffectsやStudioなどの標準のモデルになりました。いくつもの指示を含む頼み方に、より忠実に従えるようになっています。

2025年6月のEleven v3で70以上の言語（日本語含む）への対応が大きく改善され、テキストに[excited]（興奮）、[whispers]（ささやき）、[laughs]（笑い）などの『Audio Tags』を埋め込むことで感情やトーンを細かく制御できるようになりました。さらに2026年には、音楽生成の『Eleven Music』、音声エージェントの『ElevenAgents』、リアルタイム文字起こしの『Scribe』など、音声プラットフォーム全体を急速に拡張しています。2026年7月には電話対応の音声エージェント向けの機能が強化され、通話が終わったあとにその会話が良い雰囲気だったかどうかをエージェントごとに採点する「センチメント分析」や、文字起こしをアプリの言語へ自動で翻訳する機能、Twilio経由でのSMS（ショートメッセージ）の振り分け設定などが追加されました。

8月は新しい読み上げモデルの発表はなく、90以上の言語に対応した吹き替えAPIの第2版（8月10日）、動画や画像も含めて生成できる「ElevenCreative」（8月17日）、ClaudeなどのAIから直接ElevenLabsを呼び出せるMCP対応（8月22日）など、開発者向けの足回りの強化が中心でした。音声で顧客対応を自動化したい方にとっては、使いどころが広がっています。日本語の音声クオリティはv3で大きく改善されました。9月28日に出たv4は、公式の説明では日本語について特に触れられていませんが、言語ごとの話し方のリズムやアクセントがより自然になったとされていますので、ぜひ最新版を試してみると良いでしょう。（なお、Starterプランの料金は以前の5ドルから6ドルに上がっています。）

• 無料プランでも一定の文字起こし（月に約12分）は可能
• 月額6ドル～の有料プランに課金することで文字起こし可能な時間が増えます

ElevenLabsは音声生成が得意なAIツールですが、文字起こしモデル『Scribe』も提供しています。2026年1月にはScribe v2とScribe v2 Realtimeがリリースされ、Scribe v2は90以上の言語（日本語含む）に対応し、業界最低の誤認識率を実現しています。さらにScribe v2 Realtimeは~150msという業界最速のレイテンシでリアルタイム文字起こしができるので、ライブ字幕やAI音声エージェントに最適です。話者分離（speaker diarization）も精度が高く、複数人の会議の文字起こしにも便利です。（2026年11月5日時点でもScribe v2が最新です。）

音声文字起こしツールは様々なAIツールや動画編集ソフト内の文字起こし機能も使ってきましたが、それらと比較してもElevenLabsの文字起こし機能の精度は高いと感じましたのでこの書籍で取り上げることにしました。他の文字起こしツールでは、例えば「ChatGPT」は「チャットGPT」、Claudeは「クラウド」などのようにカタカナになってしまったり、微妙に異なるカタカナ表記になってしまうことが多いのですが、ElevenLabsの文字起こし機能では、そのあたりの精度が高く、固有名詞も比較的正確に文字起こしをしてくれるので、修正の手間が減って助かっています。（もちろん完璧ではないですが、他のツールと比べると確実に精度は高いと感じます。）難点を言うと、文字起こしデータから動画用の字幕を作る場合は、字幕の表示が日本語だとイマイチになるので動画字幕の作成ツールとしては使いにくい点です。