HiAPI
ブログ

使用ガイド

ElevenLabs Sound Effects v3 プロンプトの書き方:素材・動作・距離で効果音の記述を構成する

Nov 18, 2026
温かい砂色の背景に、テラコッタ色とタン色の層が重なる階段状の横方向のカラーバンドが並ぶ、ブログのカバー画像。
このページの内容

なぜプロンプトを素材・動作・距離に分解するのか

効果音のプロンプトを書くとき最も陥りやすい失敗は、一文を書き終えてそのまま送信してしまうことです。「軽快なクリック音」という文には形容詞はあっても、モデルが具体化できる情報がありません。どんな素材が鳴っているのか?動作は速いのか遅いのか?聴き手はどれくらい離れているのか?効果音生成モデルはこれらの次元を補完する必要がありますが、その補完の仕方は制御できません。その結果、同じプロンプトを2回実行するとまったく異なるスタイルの結果が得られ、デバッグはガチャになってしまいます。

より安定した方法は、記述を3層の構造化情報に分解することです:

  • 素材が音色の質感を決める:木材、ガラス、金属、布地、水、プラスチックはそれぞれ異なる共鳴の仕方と高周波成分を持ちます。素材を明記することは、音色の基準を定めることと同じです。
  • 動作がリズムとエンベロープを決める:単発か連打か、そっと置くのか強く落とすのか、ゆっくり擦るのか速く引っ掻くのか。動作を表す語が、アタック、減衰、持続時間の分布を決定します。
  • 距離が空間感と残響の傾向を決める:耳元、1メートル以内、部屋の反対側、屋外の遠く。距離が遠いほど直接音は弱まり、残響と低周波の割合が高くなり、モデルが想像する空間もそれに伴って変わります。

この3層は必ずしも均等に重み付けするテンプレートではなく、分析の枠組みです。効果音の要件を受け取ったら、まずどの層に最も依存しているかを判断し、対応する語を具体的に書き、残りの2層は必要に応じて補足します。UIフィードバック音はほぼ動作と素材だけに依存し、物体のフォーリーは素材が主語になり、環境アンビエンスは距離と空間で支えられます。以降のセクションでそれぞれ展開します。

450文字の上限内で、この枠組みには実用的な利点もあります。情報密度を自然にコントロールできるのです。3層それぞれに一文を書けば通常は十分です。埋まらない場合は記述がまだ具体的でない証拠であり、溢れる場合は同義語を積み重ねている証拠です。

素材・動作・距離という3層の情報がそれぞれ段を成し、最終的に1つの構造化されたプロンプトに収束します。

APIの形態と3つの調整可能なパラメータ

まず契約を固定しておけば、以降の書き方に共通の落としどころができます。現行タスクAPIはモデルelevenlabs/sound-effects-v3に対応し、入力フィールドはinputの下に集中しています:

  • prompt:必須の文字列。必要な効果音を記述し、動作、シーン、雰囲気、表現方法を含める必要があります。最大450文字。
  • duration_seconds:必須の数値。単位は秒で、範囲は0.5から30、デフォルトは2。自動时长には対応していません——効果音の種類に応じて自分で長さを決める必要があります。
  • loop:任意のブール値。デフォルトはfalse。シームレスにループ再生できる効果音を生成するかどうかを制御します。
  • prompt_influence:任意の数値。0から1、デフォルトは0.3。値が低いほどランダムで多様になり、高いほど記述に厳密に従います。

3つの任意/半任意パラメータの中で最も見落とされやすいのは、デフォルト値がもたらす偏りです。prompt_influenceのデフォルト0.3は、モデルにかなりの自由度を与えて「工夫」させることを意味します。これは探索段階では良いことですが、記述をすでに精密に磨き上げて再現性が必要な段階ではノイズになります。duration_secondsのデフォルト2秒は、短いUI音にはちょうど良いものの、アンビエンス音にはまったく足りません。

呼び出し例(タスクAPIのinput構造に準拠):

{
  "input": {
    "prompt": "wooden drawer sliding open slowly on a dry track, close perspective, slight creak",
    "duration_seconds": 3,
    "loop": false,
    "prompt_influence": 0.6
  }
}

APIの完全なフィールドと値についてはモデルページを参照してください。ElevenLabs Sound Effects v3で現在のパラメータと接続方法を確認できます。以下の3つのセクションでは、3種類のシナリオでプロンプトをどう書くかをそれぞれ論じ、その後パラメータとの連携に戻ります。

3つの入力要素——プロンプト、長さ、影響強度——を階段状帯の幅の違いと収束で表現し、同じ生成音声結果にまとまる様子。

UIフィードバック音:短く、ドライに、動作を先に

UIフィードバック音は3種類の中で最も想像力を必要とせず、最も壊しやすいものです。要件は明確です:短く、ドライで、アタックが明瞭で、尾を引きずらないこと。この種のプロンプトを書くときは、動作を文頭に置き、素材をその直後に続け、距離は一律に近接場と書きます。

使える書き方の骨組み:

[動作] + [素材/物体] + [聴感の限定]

例えば:

soft plastic button click, single press, very close, no reverb, tight transient
short glass tick, light tap, near field, clean tail
quick mechanical switch flip, small metal lever, close perspective, dry

強調すべき3つのポイント:

動作は単発か連打かを書く。「click」と「rapid double click」はエンベロープ上まったく別物です。UI音のほとんどは単発なので、「single press」と書けばモデルが勝手にリズムを加える確率を減らせます。

「no reverb」「dry」で空間を抑える。 UI音に明瞭な残響が付くと、UIに組み込んだときに汚く聞こえます。距離を表す語は「very close」「near field」を使い、さらにドライサウンドの限定を加えると、通常は大幅に収束します。

長さは短めに、長くしない。 この種の効果音のduration_secondsは0.5から始まり、1秒前後で十分なことが多いです。2秒を超えるなら、入れるべきでない余韻を書いていないか自問してください。長さを与えすぎると、モデルは内容を埋めようとします——本来はクリーンな一発のクリックを、アンビエンスの一節に引き伸ばしてしまうのです。

素材の選択は実質的に音色ファミリーの選択です:プラスチックは中域寄りで少しこもり、ガラスは高域寄りで澄んだ音、金属は余韻と倍音を伴います。同じ「クリック」動作でも、素材の語を変えるだけで大半のUIフィードバック要件をカバーできます。これが、このシナリオで素材が飾りではなく主語の一つである理由です。

物体のフォーリー:素材を主語にする

物体のフォーリーの難しさは、同じ動作でも素材によってまったく異なる音になることです。「衝撃」という語自体は音色情報を一切持ちません。「wooden crate」「ceramic mug」「chain」が語っているのです。したがってこの種のプロンプトの構文では、素材を主語にし、動作と力のかかり方を述語にします。

推奨する記述順:素材 → 動作/力のかかり方 → 付加的な質感 → 距離。

heavy ceramic mug placed on wooden tabletop, hard contact, short resonant thud, close perspective
metal chain dropped onto concrete, links colliding, bright clatter with metallic ring, one meter away
fabric curtain pulled across a metal rod, continuous friction, soft rustle with occasional ring

素材の語が実際に効いているかを確認するための判断基準:

  • 素材を置き換えても成立するか。 素材の語を変えたとき記述が空洞化するなら、素材がこの文の核心である証拠です。変えても違いがないなら、書いたのは一般化された動作であり、モデルは推測するしかありません。
  • 力のかかり方を書くべきか。「placed」(置く)と「slammed」(叩きつける)は強さとトランジェントを決めます。「colliding」「scraping」「sliding」のような摩擦系の動作は連続かどうかを明記する必要があります。連続摩擦のエンベロープは衝突とはまったく異なるからです。
  • 共鳴を残すかどうか。 金属、ガラス、陶器には識別可能な余響があり、木材は短く、布地はほぼノイズだけです。余韻を望まないならプロンプトに「damped」「dry」と直接書きます。望むなら「resonant」「ring out」と明記します。

長さについては、衝突系は通常0.5から2秒で十分ですが、摩擦や開閉系はプロセス全体をカバーする必要があり、2から5秒が必要な場合があります。1秒の中に3秒の引き出しを開ける動作を詰め込めると期待してはいけません——duration_secondsは「どれだけの長さか」を伝える唯一の手段であり、モデルが自動で適応することはありません。

階段状帯は異なる素材層に断面化される:硬質の高周波の細かい振動、軟質の広く緩やかな余震、単点衝撃の同心円状の波紋が、素材の語が物体の音色をどう書き換えるかに対応する。

環境アンビエンス:距離と空間でシーンを書く

環境アンビエンス音は前の2種類と本質的に異なります。イベントを記述するのではなく、持続する空間状態を記述するのです。イベントのエンベロープには立ち上がりと減衰がありますが、アンビエンスは全体の長さを埋め尽くし、安定を保つ必要があります。この種のプロンプトでは、距離と空間の種類が骨格であり、素材と動作は二次的になります。

書くときはまず3つの質問に答えます:

  1. 空間の種類は何か:室内の小さな部屋、ホール、街路、森、地下駐車場、開けた屋外。
  2. 音源はどこに、どれくらいの距離か:単一の持続音源か、多層の遠近の重なりか。
  3. 持続状態は安定しているか:起伏が必要か、それともほぼホワイトノイズのような定常状態か。

書き方に対応させると:

quiet indoor room tone, distant traffic hum through a closed window, low level, steady ambience
office background, faint keyboard taps and air conditioning drone two meters away, continuous
outdoor night field, crickets at varying distances, soft wind over grass, spacious, wide stereo image

「varying distances」のような表現に注意してください——単一の距離よりも奥行きのある結果が得られます。アンビエンスの質感は、特定の突出した音ではなく、遠近の層から生まれることが多いです。プロンプト内のすべての要素が「very close」なら、結果は顔に密着したクローズアップのようになり、空間が失われます。

ループはこのセクションの重要な分岐点です。 アンビエンス音は通常ループ再生が必要で、ループポイントが自然かどうかは長さに直接左右されます。loopをtrueに設定する場合、考慮すべきは、コンテンツが全体の長さを通じて同じ状態に留まっているかどうかです。プロンプトに「gradually rising wind」のような方向性のある記述を書くと、ループの継ぎ目でそれが露呈します。安全な方法は、アンビエンスを定常状態に保ち、十分に長いduration_secondsを与えることです——ループ区間が短すぎると継ぎ目が頻繁に現れます。十数秒、あるいは上限に近い値を与えて初めて、ループは連続して聞こえます。

逆に、このアンビエンスを一度きりのシーン(トランジション、オープニング)で使うなら、loopはfalseのままにし、長さはシーンの必要に応じて与え、起伏や変化を安心して書き込めます。

パラメータとプロンプトをどう連携させるか

プロンプトとパラメータは別物ではなく、チューニングは決まった順序で進め、複数の変数を同時に変えるのを避けるべきです。

ステップ1:duration_secondsを決める。 これは必須で自動化されないため、まず効果音の種類に応じて妥当な値を与えます——UI音は0.5から1秒、衝突フォーリーは1から2秒、摩擦と開閉は2から5秒、アンビエンスはループ要件に応じて10秒以上。この値が決まれば、以降のプロンプトはこの時間枠の中で内容を構成します。

ステップ2:loopを決める。 trueが必要なのはアンビエンス系と一部の持続的な機械音だけで、イベント系の効果音は一律falseです。trueにする場合は、プロンプトに方向性のある記述(漸強、漸弱、徐々に遠ざかる)がないか確認し、あれば定常的な表現に変えます。

ステップ3:prompt_influenceを調整する。 デフォルトの0.3は発散寄りで、探索段階に適しています——モデルが何を出してくるか見たいときです。満足のいく結果が一版あり、同じスタイルを再現したいときは、0.5から0.8の範囲に上げて、出力をテキストに近づけます。逆に、記述が具体的すぎるのにいつも硬く、自然なランダム性に欠けると感じるなら、適度に下げてもよいでしょう。

ステップ4:ようやくプロンプトを修正する。 パラメータを調整しても不満が残るなら、記述自体に問題があります:素材の語が具体的でないか、動作と長さが一致していない(例えば3秒の開閉動作を単発の衝突として書いてしまった)のです。

シナリオ別の重点のまとめ:UIフィードバック音はduration_secondsを短く保つこととprompt_influenceを高めにすること(安定した再現性)を優先します。物体のフォーリーは素材を正確に書くことを優先し、prompt_influenceは中程度にします。環境アンビエンスは十分な長さと正しいloopを優先し、prompt_influenceは適度に下げて自然さと引き換えにできます。

よくあるプロンプトの問題と修正の方向性

以下のケースはデバッグで最もよく見られ、いずれも自己チェックで素早く特定できます。

記述が空疎。 典型的な特徴は形容詞だけで実体がないこと:「a cool sound」「an exciting swoosh」。判断基準は簡単です:形容詞を削って何が残るか?何も残らないなら、モデルも自由に解釈するしかありません。修正の方向は素材と動作を補い、「a cool click」を「a short glass click, single press, close」に変えることです。

情報過多。 1つのプロンプトに5つも6つも要素を詰め込み、素材、動作、環境、感情、残響の程度、ステレオ幅をすべて書き、しかも互いに矛盾している。結果としてモデルは注意を平均的に配分し、どれも似ていないものになります。修正の方向はシナリオに応じて2〜3層に削ることです:UI音は動作と素材だけ、アンビエンスは空間と距離だけにします。

長さ超過。 promptの上限は450文字で、超えると切り捨てられるか検証に失敗します。同義語の積み重ねが超過の主因です。例えば「loud, noisy, booming, thunderous」は実際には1つあれば十分です。書き終えたら一度削減を行います:同義の形容詞は1つ残し、あってもなくてもよい修飾語は直接削除します。

動作と長さの衝突。 持続する摩擦動作を書いたのに0.5秒しか与えない、あるいは単発の衝突を書いたのに10秒与える。前者ではモデルは短いノイズに圧縮するしかなく、後者では尾で埋めます。修正の方向はduration_secondsを動作の意味的な長さに合わせることです。

ループが成立しない。 明らかな開始と終了のあるイベント音をloop: trueにすると、継ぎ目が必然的に不自然になります。ループは定常的な内容にのみ適用し、イベント音では有効にしないでください。

異なるシナリオのテンプレートを混用する。 UI音の「no reverb, dry」を屋外アンビエンスに使うと空間感が潰れ、アンビエンスの「spacious, distant」をクリック音に使うとぼやけた塊になります。3種類のシナリオを分けて書き、それぞれ反復する方が、同じテンプレートを当てはめるよりはるかに安定します。

素材、動作、距離を3つのチェックポイントとし、送信前に毎回確認すれば、多くの不安定な問題はプロンプトを書く段階で解消できます。

永続的なAIアーティファクトで開発を始める

APIキーを取得して、タスクベースの1つのAPIで画像・動画・音声モデルを呼び出せます。

APIドキュメントを読む