ElevenLabsの使い方を初心者向けに解説｜日本語UIなしでも大丈夫。コピペで使えるオーディオタグ35個

ElevenLabsの使い方を初心者向けに解説｜日本語UIなしでも大丈夫。コピペで使えるオーディオタグ35個 AIサービス

※本記事にはプロモーションが含まれる場合があります。

結論：音声を出すだけなら3ステップ。難しいのはその先

ElevenLabsで日本語の音声を出すこと自体は簡単です。原稿を貼る → 声を選ぶ → Generateを押すの3ステップで、1分もかかりません。日本語UIはありませんが、操作画面の英語は10語ほど覚えれば足ります。

つまずくのはその先です。出てきた音声が棒読みになる。ここで多くの人が「日本語はまだ無理なんだな」と判断してやめてしまいます。

しかし棒読みの原因は日本語ではなく、モデルの選択と、感情を指定する記法を使っていないことにあります。そしてやっかいなことに、その記法はモデルによってまったく違います。最新のEleven v3は[laughs]のようなオーディオタグで指定し、Multilingual v2は<break time="1.5s" />のようなタグと記号で指定します。一方で使える記法は、他方ではまったく効きません。

さらに、選ぶモデルによって失う機能もあります。月22ドルのCreatorプランの目玉であるProfessional Voice Cloning（自分の声の複製）は、最新のEleven v3では使えません。

この記事では、2026年8月16日時点でElevenLabsの公式ドキュメントを実際に確認した内容をもとに、最初の音声を出すまでの手順、モデルの選び方、そして棒読みを直すためにコピペで使えるオーディオタグ35個を整理します。

なお、この記事に広告リンクはありません。掲載しているのはElevenLabs公式サイトへの通常リンクだけです。

料金プランの詳細はElevenLabsの料金プラン全比較で扱っています。無料プランで作った音声は商用利用できないため、仕事で使う予定があるなら先にそちらを確認してください。

最初の音声を作るまでの3ステップ

ステップ1：原稿を貼る

Text to Speechの画面を開き、入力欄に原稿を貼ります。言語の設定は不要です。 公式ドキュメントによれば、文脈から言語が自動的に判定されます。日本語の原稿をそのまま貼れば、日本語として読み上げられます。

ステップ2：声を選ぶ

画面左下から声を選びます。ここが音声の出来を決める最大の要因です。公式ドキュメントも「声の選択が、性別・トーン・アクセント・話す速さ・演技の質を決める」と説明しています。

選べる声の出どころは4種類あります（詳しくは後述）。最初はデフォルトの声か、Voice Library（ボイスライブラリ）から日本語向けの声を探すのが早道です。

ステップ3：モデルを選んでGenerateを押す

モデルを選び、「Generate Speech」を押すと音声ができます。

多くの人が飛ばすのがこのモデル選択です。 公式ドキュメントは「モデルの選択は、声の次に重要な要素」と明記しています。ここを既定値のまま進めると、後から感情を指定しようとしても効きません。

できた音声はその場でダウンロードできます。過去に作ったものはHistory（履歴）から再ダウンロードできます。

モデルの選び方｜ここで記事の半分が決まる

現行のモデルは3系統です。この表が、この記事でいちばん重要な部分です。

Eleven v3 Multilingual v2 Flash v2.5
対応言語 70以上（日本語あり） 29（日本語あり） 32（日本語あり）
1回に送れる文字数 5,000 10,000 40,000
オーディオタグ（感情指定） ○ × ×
速度スライダー（0.7〜1.2） × ○ ○
<break>タグ（無音の挿入） × ○（最大3秒） ○
Professional Voice Clone × ○ ○
消費クレジット 1／文字 1／文字 0.5／文字（API利用時）
応答速度 ー ー 約75ms

出典：Models | ElevenLabs Docs、Prompting | ElevenLabs Docs

表の「×」の並びを見てください。 表現力の高いEleven v3を選ぶと、速度スライダーと<break>タグとProfessional Voice Cloneの3つを同時に失います。

使い分けの結論

  • ナレーションに感情や笑いを入れたい → Eleven v3。オーディオタグが使えるのはこれだけです
  • 淡々と、安定して、長文を読ませたい → Multilingual v2。1回10,000文字（日本語で約33分）まで送れて、速度も調整できます
  • 自分の声のクローンを使いたい → Multilingual v2 か Flash v2.5。v3では使えません
  • 大量に処理してコストを下げたい → Flash v2.5。APIから使えば1文字0.5クレジットで、単価が半分になります

🔴 Professional Voice Cloningは、最新のv3では使えない

ここは契約前に知っておくべき点です。

Professional Voice Cloning（30分以上の音声から作る高精度な声の複製）は、Creatorプラン（月22ドル）から使える目玉機能です。しかし公式ドキュメントには、こう書かれています。

All Professional Voice Clones (PVCs) will automatically train on the Flash v2.5, Turbo v2.5 and Multilingual v2 models.

（すべてのProfessional Voice Clone（PVC）は、Flash v2.5・Turbo v2.5・Multilingual v2 の各モデルで自動的に学習されます）

Eleven v3は、この一覧に入っていません。 別のドキュメントにも「the v3 model does not currently support Professional Voice Clones.（v3モデルは現在Professional Voice Cloneに対応していません）」と明記されています。

出典：Professional voice cloning | ElevenLabs Docs

つまり、「自分の声で、笑いや感情を入れたナレーションを作る」という使い方は、現時点ではできません。 自分の声を使うならv2系（タグなし）、タグを使うならライブラリの声かVoice Designで作った声、という二者択一になります。

なお、Professional Voice Cloneの枠はプランごとに決まっています。

プラン Professional Voice Cloneの枠
Free・Starter なし
Creator・Pro 各1体
Scale 3体
Business 10体
Enterprise 個別設定

学習には3〜6時間かかると公式が案内しています。押してすぐ使えるものではありません。

声の選び方｜入手経路は4つある

公式ドキュメントは、選べる声の出どころを次のように整理しています。

  1. Default Voices（既定の声） — 最初から入っている声
  2. Voice Library（ボイスライブラリ） — 他のユーザーが公開した声。数が多く、日本語向けの声もここで探せます
  3. Voice Design — 文章で説明して声をゼロから作る機能
  4. クローンした声 — 自分や許諾を得た人の音声から複製した声

Voice Designは「文章で声を注文する」機能

Voice Designは、欲しい声を英語の文章で説明すると、3つの候補を作ってくれる機能です。公式ドキュメントは「When you hit generate, we’ll generate three voice options for you.（生成を押すと、3つの声の候補を作ります）」と説明しています。

課金されるのはプレビュー用の原稿の文字数ぶんだけで、3案作られても1回ぶんしか引かれません。生成前に消費文字数が画面に表示されます。

公式が推奨しているプロンプトの型は次のとおりです。

Native <Language>. <Gender>, <Age range>. <Quality level>. Persona: <2–5 words>. Emotion: <2–3 adjectives>. <1–2 sentences about timbre, pacing, delivery>

日本語の声を作る場合の記入例に直すと、こうなります。

Native Japanese. Female, late 20s. Studio quality. Persona: friendly explainer. Emotion: calm, warm, clear. Slightly low timbre with a steady, unhurried pace. Clean articulation suited to narration for how-to videos.

公式が挙げている注意点は3つです。

  • 説明は具体的に書く
  • イントネーションを指したいときに「accent」という語を使わない（アクセント＝訛りと解釈されます）
  • 言語と方言は明示する。音質を指定したい場合は「studio quality」「ok quality」のような語を入れる

なお、Voice Design v3で作った声はEleven v3に対応しており、他のモデルでも使えます。前述のとおりProfessional Voice Cloneはv3で使えないため、「v3でタグを使いたいが、既定の声では物足りない」という場合の現実的な選択肢がVoice Designです。

音声設定のスライダー

Generateの前に調整できる設定です。v2系とv3で中身が変わります。

Multilingual v2 / Flash v2.5 の4スライダー

設定 範囲 初期値 役割
Stability（安定性） 0〜100 50 低いほど感情の幅が広がり、高いほど一定になる
Similarity（類似度） 0〜100 75 元の声にどれだけ寄せるか
Style Exaggeration（話し方の強調） 0〜100 0 話者の癖を増幅する。控えめに使う
Speed（速度） 0.7〜1.2 1.0 話す速さ。v3では使えません

このほかSpeaker Boostのオン/オフがあります。元の声への類似度が上がる代わりに、応答が遅くなります。初期値はオフです。

最初に触るべきはStabilityです。 棒読みに聞こえるときは下げ、逆に読みが不安定なときは上げます。Style Exaggerationは初期値が0で、公式も控えめな使用を勧めています。ここを上げると声質そのものが崩れやすくなります。

Eleven v3 は3つのプリセット

v3では数値のスライダーではなく、3段階から選ぶ形になります。

設定 公式の説明
Creative 「More emotional and expressive, but prone to hallucinations」（感情豊かで表現力があるが、意図しない出力が起きやすい）
Natural 「Closest to the original voice recording—balanced and neutral」（元の音声に最も近く、バランスが取れている）
Robust 「Highly stable, but less responsive to directional prompts」（非常に安定しているが、指示への反応が鈍い）

オーディオタグを効かせたいなら Creative か Natural を選んでください。 公式は「Robustは指示への反応が鈍くなる」と明記しています。Robustはv2に近い挙動で、タグを書いても効きが弱くなります。

棒読みを直す①｜Eleven v3のオーディオタグ35個

ここが本題です。Eleven v3では、原稿に角かっこ付きの指示を混ぜると、その通りに演技します。

[whispers] ここだけの話なんですが……
[laughs] まさか本当にうまくいくとは思いませんでした。

公式ドキュメントに載っているタグを、分類ごとに並べます。

笑い・息づかい

タグ 意味
[laughs] 笑う
[laughs harder] より激しく笑う
[starts laughing] 笑い始める
[chuckles] くすくす笑う
[snorts] 鼻で笑う
[wheezing] 息を切らして笑う
[sighs] ため息をつく
[exhales] 息を吐く
[exhales sharply] 鋭く息を吐く
[inhales deeply] 深く息を吸う

話し方

タグ 意味
[whispers] ささやく
[shout] 叫ぶ
[muttering] ぶつぶつ言う
[sarcastic] 皮肉っぽく
[mischievously] いたずらっぽく
[sings] 歌う（試験的機能）

感情

タグ 意味
[happy] 嬉しそうに
[sad] 悲しそうに
[angry] 怒って
[annoyed] いらだって
[appalled] あきれて
[thoughtful] 考えこんで
[surprised] 驚いて
[curious] 興味を持って
[excited] 興奮して
[crying] 泣きながら

間・所作

タグ 意味
[short pause] 短い間
[long pause] 長い間
[pause] 間を置く
[clears throat] 咳払い
[swallows] 唾を飲む
[gulps] ごくりと飲む

効果音・その他

タグ 意味
[applause] 拍手
[clapping] 手を叩く
[gunshot] 銃声
[explosion] 爆発音
[strong X accent] Xの訛りを強く（Xに言語名を入れる）

出典：Prompting Eleven v3 | ElevenLabs Docs

なお、後半のいくつかは公式の正式なタグ一覧ではなく、ドキュメント内の作例で使われているものです。 一覧に明記されているのは笑い・ささやき・ため息・皮肉・好奇心・興奮・涙といった系統で、感情語のタグは作例から拾っています。効くかどうかは声によって変わるため、実際に1回生成して確かめてください。

タグを効かせるための3つのコツ

1. 声とタグの相性が最優先

公式ははっきり警告しています。

Don’t expect a whispering voice to suddenly shout with a [shout] tag.

（ささやき声の話者が[shout]タグで急に叫ぶとは思わないでください）

A meditative voice shouldn’t shout; a hyped voice won’t whisper convincingly.

（瞑想的な声は叫ぶべきではなく、テンションの高い声は説得力のあるささやきになりません）

タグは声の演技の幅を広げるものであって、別人にする機能ではありません。 叫ばせたいなら、最初から幅の広い声を選んでください。

2. 地の文で感情を説明すると、その説明ごと読み上げられる

原稿に「彼女は悲しそうに言った」と書くと、その一文まで音声になります。公式も「Remember to remove any emotional guidance text in post-production.（感情の指示テキストは編集時に取り除くことを忘れないでください）」と注意しています。

感情を指定したいなら、地の文ではなく角かっこのタグを使ってください。 これがタグ記法の存在理由です。

3. 記号でも表情は変わる

タグ以外に、公式は次の効果を挙げています。

  • 三点リーダー（…） — 間と重みが加わります
  • 大文字 — 強調されます（日本語では効きませんが、英語を混ぜる場合に有効）
  • 通常の句読点 — 自然なリズムを作ります

日本語では「、」と「。」の打ち方が最も効きます。読点を増やすと間が増え、減らすと畳みかける調子になります。

棒読みを直す②｜Multilingual v2の記法

v2系ではオーディオタグが使えません。代わりに次の記法を使います。

無音を入れる：<break>タグ

本題に入る前に<break time="1.5s" />ひとつだけ確認させてください。

最大3秒まで指定できます。ただし公式は「Using too many break tags in a single generation can cause instability.（1回の生成でbreakタグを使いすぎると不安定になることがあります）」と警告しています。多用は避けてください。

このタグはEleven v3では使えません。 v3で間を入れたい場合は、三点リーダーやダッシュ、[short pause]などのタグを使います。

読み方を直す：発音記号

固有名詞などの読みを直す方法も、モデルによって違います。

モデル 記法
Eleven v3 IPA（国際音声記号）をスラッシュで囲む：/təˈmeɪtoʊ/
Multilingual v2 <phoneme alphabet="cmu-arpabet" ph="M AE1 D IH0 S AH0 N">Madison</phoneme>
音素タグ非対応のモデル <lexeme><grapheme>Word</grapheme><alias>Pronunciation</alias></lexeme>

v3のIPA方式について、公式は「80〜90%の発音一貫性」と説明しています。100%ではありません。

ただし、この3つはいずれも英語向けの仕組みです。 CMU Arpabetは英語の音素体系で、IPAも日本語の漢字の読み分けを解決する用途には向きません。

日本語で使うときの3つの注意

1. 漢字の読み間違いは、原稿側で直すのが速い

「一日」「行った」「重ねる」のように、日本語には文脈で読みが変わる語が多くあります。前述のとおり公式の発音修正機能は英語向けなので、該当箇所をひらがな・カタカナに書き換えるほうが確実で速いというのが実務上の対処です。

数字も同様です。「3日」を「みっか」と読ませたいなら、原稿の時点でそう書いてしまうのが手堅い方法になります。

2. タグは英語のまま書く

オーディオタグは[laughs]のように英語で書きます。日本語の原稿の中に英語のタグが混ざる形になりますが、これは仕様どおりです。[笑う]のように日本語で書いても機能しません。

3. 分数の見積もりは「1分＝300文字」で

ElevenLabsのクレジットは1文字＝1クレジットで、言語による区別がありません。公式料金ページが無料枠の10,000クレジットを「約10分」と表示しているのは英語基準（1分＝約1,000文字）です。

日本語のナレーションは1分あたり約300文字なので、同じ10,000クレジットで約33分ぶん作れます。日本語は文字課金のサービスで3倍得をします。 詳しい計算はElevenLabsの料金プラン全比較で扱っています。

書き出しとStudio

ダウンロードできる形式

公式ドキュメントによれば、MP3（128／192／256kbps）・WAV・M4A・FLACが選べます。

ただし192kbps以上の書き出しはCreatorプラン以上、44.1kHzのPCM出力（API経由）はProプラン以上です。無料・StarterはMP3 128kbpsまでになります。動画に乗せるだけなら128kbpsで足りますが、音楽やオーディオブックに使うなら上位プランが必要です。

長文はStudioで扱う

Text to Speechの画面は1回の生成が上限（v3で5,000文字、Multilingual v2で10,000文字）です。書籍や長編ナレーションを作るならStudioを使います。

Studioは章立てとタイムライン編集ができる制作画面で、次の形式を読み込めます。

  • EPUB（公式は「EPUB is the best file format to use」と推奨。見出し1で章が自動分割されます）
  • PDF／DOCX／TXT／HTML／URL

1プロジェクトあたり最大500章・1章400段落・1段落5,000文字まで扱えます。

📌 Studioのプロジェクト数は、公式内で数値が食い違っています

Studioで作れるプロジェクト数の上限は、プランによって変わります。

プラン 公式ドキュメント 料金ページのプラン欄
Free 5 3
Starter 20 20
Creator 1,000 記載なし
Pro 3,000 記載なし
Scale・Business 20,000 記載なし

無料プランの数値だけ、ドキュメントとプラン一覧で食い違っています。 Starterは両方とも20で一致しています。

実用上の影響は小さい（無料プランで3件か5件かの差）ものの、上位プランの上限は料金ページには書かれておらず、ドキュメントを見ないと分かりません。Creatorの1,000件とProの3,000件は、料金ページのプラン比較だけを見ていると気づけない差です。

よくある失敗

モデルを既定のまま進めて、タグが効かない

いちばん多い行き違いです。オーディオタグはEleven v3でしか動きません。タグを書いたのに変化がない場合は、まずモデル選択を確認してください。

StabilityをRobustにしたままタグを書く

v3の3プリセットのうちRobustは、公式が「指示への反応が鈍い」と説明している設定です。タグを使うならCreativeかNaturalにします。

Style Exaggerationを上げて声が壊れる

初期値は0で、公式も控えめな使用を勧めています。表現力が足りないと感じたときに最初に触るべきはStabilityのほうです。

「悲しそうに言った」と原稿に書いてしまう

その一文ごと読み上げられます。感情の指定は角かっこのタグで行ってください。

自分の声のクローンでv3を使おうとする

Professional Voice Cloneはv3に対応していません。自分の声を使うならMultilingual v2かFlash v2.5です。

無料プランで作ってから課金する

ElevenLabsの公式ヘルプは「有料契約の外で作成したコンテンツは、契約の前後を問わず商用利用できない」と明記しています。仕事で使う原稿は最初から有料プランで作ってください。無料枠のまま使いたい場合は無料で使えるAI音声読み上げ8選で商用可のサービスを比較しています。

よくある質問

Q. 日本語UIはありますか？

ありません。ただし操作画面で覚える必要がある英語は、Generate（生成）・Voice（声）・Model（モデル）・Stability（安定性）・Download（ダウンロード）程度です。原稿の言語は自動判定されるので、日本語をそのまま貼れば日本語で読み上げられます。

Q. 棒読みになるのはなぜですか？

多くの場合、モデルがEleven v3以外になっているか、Stabilityが高すぎるかのどちらかです。v3を選んだうえでStabilityをCreativeかNaturalにし、[whispers]や[excited]などのタグを入れてください。それでも変わらない場合は、選んでいる声そのものが淡々とした声である可能性が高いです。

Q. オーディオタグは日本語で書けますか？

書けません。[laughs]のように英語で書きます。日本語の原稿の中に英語のタグが混ざる形になりますが、これが正しい書き方です。

Q. 自分の声で、感情を入れたナレーションは作れますか？

現時点ではできません。Professional Voice CloneはFlash v2.5・Turbo v2.5・Multilingual v2で学習される仕様で、オーディオタグが使えるEleven v3には対応していないためです。自分の声を使うか、タグを使うかの二者択一になります。

Q. 無音（間）はどう入れますか？

モデルによって違います。Multilingual v2なら<break time="1.5s" />で最大3秒まで指定できます。Eleven v3ではbreakタグが使えないため、三点リーダー（…）やダッシュ、[short pause]／[long pause]のタグを使います。

Q. 話す速度は変えられますか？

Multilingual v2とFlash v2.5では、Speedスライダーで0.7〜1.2倍に調整できます。Eleven v3では速度スライダーが使えません。 v3で速度感を変えたい場合は、句読点や三点リーダーで間を調整することになります。

Q. 長い原稿はどう扱いますか？

1回の生成にはモデルごとの上限があります（v3で5,000文字、Multilingual v2で10,000文字、Flash v2.5で40,000文字）。日本語300文字/分なら、v3で約16分、Multilingual v2で約33分ぶんです。書籍のような長さならStudioを使い、EPUBで読み込んで章ごとに分割するのが公式の推奨です。

Q. どのくらいの費用がかかりますか？

日本語300文字/分の換算で、Starter（月6ドル）なら月100分ぶん、Creator（月22ドル）なら月403分ぶんです。1分あたりに直すと約9円（1ドル150円換算）です。プラン別の詳細はElevenLabsの料金プラン全比較で計算しています。

まとめ

2026年8月16日時点で、ElevenLabsの公式ドキュメントを確認した結論です。

  • 音声を出すだけなら3ステップ。 原稿を貼る・声を選ぶ・Generateを押す。言語設定は不要で、日本語はそのまま貼れます
  • 棒読みの原因はモデル選択です。 感情を指定するオーディオタグが使えるのはEleven v3だけで、既定のまま進めるとタグを書いても効きません
  • モデルを選ぶと、何かを失います。 v3はオーディオタグが使える代わりに、速度スライダー・<break>タグ・Professional Voice Cloneの3つが使えません
  • Creatorプランの目玉であるProfessional Voice Cloningは、v3では使えません。 「自分の声で、感情を入れたナレーション」は現時点では作れません
  • オーディオタグは35個以上。 笑い・息づかい・感情・間・効果音まで指定できますが、元の声にない演技はできません（公式が「ささやき声が[shout]で叫ぶとは思わないでください」と明記）
  • 地の文で感情を説明すると、その説明ごと読み上げられます。 感情の指定は必ず角かっこのタグで行ってください
  • 日本語の読み間違いは原稿側で直すのが速い。 公式の発音修正はIPAとCMU Arpabetで、いずれも英語向けの仕組みです
  • Studioのプロジェクト上限は料金ページに書かれていません。 無料プランの数値はドキュメントとプラン一覧で食い違っています（5と3）

仕様は更新されることがあります。利用前にはElevenLabs公式ドキュメントで最新の内容をご確認ください。

料金の全体像はElevenLabsの料金プラン全比較、他社を含めた比較はAI音声生成おすすめ8選、無料で使える選択肢は無料で使えるAI音声読み上げ8選で扱っています。AIツール全般の選び方はAIツールおすすめ7選、動画側で同じくクレジット制のサービスの操作はRunwayの使い方をご覧ください。

コメント

タイトルとURLをコピーしました