ElevenLabs の音声モデル:Turbo v4、Conversational v3、Flash v2.5、Multilingual v2

/agents → エージェント → 音声パイプライン → 合成音声。選んだ音声が ElevenLabs の音声のとき、その行に モデル： の操作要素が付き、四つの選択肢から 選べます。音声自体は同じままです。その声をどう演じるかを決めるのがモデルです — どれだけ生き生きと聞こえるか、どれだけ速く話し始めるか、どの言語を話せるか、 そして 1 文字いくらかかるか。

この操作要素が現れるのは、ElevenLabs の音声と組み合わせた Standard (STT + LLM + TTS) パイプラインだけです。リアルタイムパイプラインには 内蔵の音声があり、それ以外の音声合成プロバイダーには選べるモデルがありません。

四つのモデル

「最初の音声」とは、エージェントの答えのテキストができあがってから、その声の 最初の音が鳴るまでの時間です。実際の電話回線を通したテスト通話で測りました。 どの通話でも、エージェント、音声、台本、言語モデルは同じで、変えたのは音声モデル だけです。各通話には、英語のやり取りが 2 回と中国語のやり取りが 2 回ありました。

• Turbo v4 が毎回の返答で最速でした。21 回の返答を通じて、0.09〜0.12 s の範囲でした。
• Flash v2.5 が 2 番で、0.11–0.13 s でした。
• Conversational v3 が最後で、0.16–0.20 s でした。
• 順位は英語と中国語の間で一度も変わりませんでした。これらのモデルはどれも、 言語が違っても話し始めが遅くなることはありません。

Multilingual v2 は別格です。本番の通話では話し始めまで約 0.5 秒、直接のテストでは 1 秒以上かかりました。この差は耳でわかる長さです。

この選択が速さに効くこと、効かないこと

返答にかかる時間のうち、音声モデルの占める部分は小さなものです。上の通話では、 発信者が話し終えてからエージェントの最初の音が鳴るまでの返答全体は、おおむね 1.3–1.7 s でした。このうち音声モデルの分は 0.1–0.2 s です。エージェントが遅いと 感じるとき、Turbo v4、Flash v2.5、Conversational v3 の間で切り替えても、動く幅は 0.1 秒未満です。

例外は Multilingual v2 です。答えの前に毎回、耳につく間が入ります。待ち時間より 声の良さを取るのでないかぎり、電話で応対するエージェントには使わないでください。

中国語の返答は英語の返答より確かに時間がかかっていましたが、原因は声では ありません。言語モデルが答えを始めるまでに少し余分にかかったこと、そして沈黙の 検出が、中国語の発信者をまだ話し終えていないと判断しやすかったことです。音声モデル を変えても、この差は埋まりません。

どれを選ぶか

変える理由が耳にないかぎり、Turbo v4 のままにしてください。 話し始めが最も速く、 最も多くの言語を話せ、最も表現力があります。何も選ばなければ Turbo v4 に なります。

Turbo v4 が大袈裟に聞こえるなら、Flash v2.5 を試してください。 表現力は 諸刃です。私たちの通話では、Turbo v4 は一生懸命頑張る人のように聞こえ、 Flash v2.5 は大きく外れない堅実な一手のように聞こえました。注文番号と営業時間を 一日中読み上げるエージェントなら、飾り気のないほうが望みに合うのかもしれません。

その中間がよければ、Conversational v3 を試してください。 自然に聞こえ、 Turbo v4 より少し落ち着いています。速い三つのモデルの中では話し始めが最も遅いの ですが、その差は 0.1 秒未満です。

声が最高でなければならないエージェントには、Multilingual v2 を。 四つの中で 最も豊かな音声で、1 文字あたりの料金は 2 倍、発信者は答えごとに長く待たされます。 作られたのは会話のためではなく、ナレーションのためです。

選ぶ前に聞いて、それから電話をかける

選んだ音声の下にある この音声を試聴： は、同じ声を各モデルで再生します。その声の 本来の言語での短い挨拶です。決める前に四つ全部再生してください。違いは話し方に あって、読んで理解するより、聞いたほうが早くわかります。

そのうえで、実際の電話から番号に発信してください。電話回線が運べる音は、 スピーカーよりずっと少ないものです。パソコンでは Multilingual v2 をほかと分ける 要素の一部は、通話では消えます。Turbo v4 の生き生きとした感じは消えません。

各モデルが話せない言語

Turbo v4 と Conversational v3 は、エージェントに設定できる言語をすべて話せます。 古い二つは違います。

• Flash v2.5 はペルシア語、ネパール語、タイ語を話せません。
• Multilingual v2 はペルシア語、ネパール語、タイ語、ベトナム語を話せません。

エージェントの言語を話せないモデルのところでは、選択肢に言語の名前に続けて 「〜には対応していません。」 と表示され（タイ語のエージェントなら 「ไทยには対応していません。」）、そこは選べません。

エージェントの その他の言語 も数に入ります。エージェントが英語で答えながら、 通話の途中でタイ語に切り替えられる設定なら、切り替えた途端に Flash v2.5 は 話せなくなります。そこで通話は、選んだモデルの代わりに Turbo v4 を使います。 英語だけなら、選んだモデルのままで問題なかったとしてもです。通話で必要になるかも しれないすべての言語をカバーできない選択は、尊重されません。

広東語： 広東語を固有の言語として載せているのは Turbo v4 だけです。ほかの 三つは中国語と載せています。広東語の声であるべきエージェントなら、Turbo v4 の ままで。

水面下で起きる四つのこと

選ばないことは「デフォルトに従う」という意味です。 モデルを選んでいない エージェントは、プラットフォームのデフォルトを使います。今日のところそれは Turbo v4 です。デフォルトが後に変われば、そのエージェントも一緒に変わります。 Turbo v4 を手で選ぶのは、何も選ばないのと同じように保存されます。デフォルトが 何に変わっても同じモデルに留まりたいなら、残る三つのどれかを選んでください。

以前「多言語」に切り替えたエージェントは、今も Multilingual v2 のままです。 この操作要素ができる前は、品質を上げるための 多言語 スイッチだけが唯一の 選択肢で、そのスイッチは Multilingual v2 を意味していました。オンにしていた エージェントはそれを引き継ぎ、返答ごとの間も付きまといます。Turbo v4 に移される ことはありません。自分のエージェントでオンにしていたなら、Turbo v4 を聞いて、 待ち時間にまだ見合うかどうかを決めてください。

ほかのプロバイダーの音声に切り替えると、選択は消えます。 モデルを持っているのは ElevenLabs だけです。Azure や OpenAI の音声を選ぶと、モデルの選択は取り消されます。 ElevenLabs に戻ってくると、エージェントはまたデフォルトから始まります。

Octo はモデルを変えられません。 Octo に頼んで変えられるのは音声とパイプラインで、 これではありません。エージェントのページで設定して 保存 を押してください。

料金

Turbo v4、Conversational v3、Flash v2.5 は、話した文字数あたり同じ単価で課金されます。 Multilingual v2 はその 2 倍の単価です。課金されるのはエージェントが話した言葉だけ なので、Multilingual v2 での長い通話は、同じ通話をほかの三つのどれかでかけたときの 声の分の 2 倍かかります。言語モデルと電話回線の料金は、どのモデルでも同じです。

他では見かけるここにないモデル

ElevenLabs の自社サイトには、この選択肢に表示されるより多くのモデルが載っています。 外してあるのは意図的なことです。

• 完全版の Eleven v4 と Eleven v3 は、Turbo v4 や Conversational v3 の 2 倍の 料金です。ElevenLabs が Turbo 版と Conversational 版を作ったのは、生の会話の ためです — 電話エージェントがするのはまさにそれです。
• Turbo v2.5 は Flash v2.5 と同じ料金の旧モデルです。まだこれを抱えたエージェントは、 代わりにデフォルトを使います。
• 英語のみ の v2 モデルは、一つの言語しか話せません。Turbo v4 はすでに英語を、 ほかの 93 言語と合わせてカバーしています。