ECオーディオ向け ElevenLabs テキストto対話 API：商品動画のナレーションと広告読み上げ

ElevenLabs テキストto対話は、書かれたスクリプトを1つの完全なマルチスピーカー音声ファイルに変換します。対話行のリストを順番に渡し、各行に異なるプリセット音色を割り当てるだけで、手動での編集やクリップの結合なしに完成した録音が得られます。hiapi API 経由では、1,000文字の対話あたり $0.125 で、プラットフォーム上の他のすべてのモデルと同じ非同期タスクフローで実行されます。EC チームにとってこれは、SKU や季節キャンペーンごとに声優を個別に起用することなく、ツインホストの商品デモナレーション、複数キャラクターの広告読み上げ、プロモーションスクリプトを素早く制作する方法です。

テキストto対話と単一音色 TTS の違い

標準のテキスト読み上げは、1回の呼び出しにつき1つの音色しか提供できません。対話を偽装するには、通常、話者ごとに TTS 呼び出しを個別に実行し、その後クリップを自分でつなぎ合わせ、話速と抑揚が揃うことを期待する必要があります。ElevenLabs テキストto対話はこの手順を省略します。スクリプト全体（順番に並べた各話者の発言）を1つのリクエストとして送信すると、モデルがターン切り替え、話速、表現を自ら処理します。出力は、自分で組み立てる必要のあるクリップのフォルダではなく、単一の音声ファイルです。

「対話」が実際にはマーケティング音声である場合、これは特に重要です。ツインホストの商品デモ、広告における客と販売員のやり取り、あるいはプロモーションでアナウンサー音色と「ハイプ」音色が交互に台詞を言うケースなどです。これらはすべて対話として自然に成立し、このモデルはまさにそうしたスクリプト形態のために構築されています。

実際のリクエスト構造（ライブ schema に対して自己検証済み）

リクエストボディは意図的に狭く設計されています。dialogue 配列内の各エントリは、text と voice というちょうど2つのフィールドのみを受け付け、それ以外のフィールドは受け付けません。追加フィールドや無効な voice ID を送信すると、タスク実行前に schema エラーとして拒否されることが確認されています。

{
  "model": "elevenlabs/text-to-dialogue",
  "input": {
    "dialogue": [
      {"text": "This blender just tore through frozen mango in four seconds.", "voice": "EkK5I93UQWFDigLMpZcX"},
      {"text": "Four seconds? Show me the smoothie.", "voice": "Z3R5wn05IrDiVCyEkUrK"},
      {"text": "Already poured. Link's in the description.", "voice": "EkK5I93UQWFDigLMpZcX"}
    ]
  }
}

voice は、プラットフォームがこのモデル用に提供する約70個の固定 ID のいずれかである必要があります（EkK5I93UQWFDigLMpZcX、NNl6r8mD7vthiJatiJt1、YOq2y2Up4RgXP2HyXjE5 など）。このインターフェースには自由テキストの音色名やアップロード音色クローンのフィールドはありません。

1点、直接指摘しておく価値があります。モデル自身の説明には行ごとの「安定性の制御」が可能と記載されていますが、実際にデプロイされている schema は stability パラメータを公開していません（model_id や感情タグも同様です）。受け付けるのは text と voice のみです。このエンドポイントに関する社内ドキュメントや UI を作成する場合は、実際にはまだ存在しない安定性スライダーを約束しないでください。

送信は hiapi 標準の非同期タスクフローに従います。上記のリクエストを POST してタスクを作成し、ステータスをポーリングし、完了後に生成された音声ファイルをダウンロードします。これはプラットフォーム上の画像・動画モデルで使われているのと同じパターンなので、既存の制作パイプラインにそのまま組み込めます。

これを中心に EC オーディオワークフローを構築する

商品動画のナレーション。すでに短編の商品クリップを制作している場合（たとえば Kling でショート動画を制作している場合）、テキストto対話は同じ素材に自然に重ねられる音声レイヤーです。平坦な単一音色のナレーションではなく、ツイン音色のスクリプト（ホスト＋リアクション音色）を書いて、動画がすでに見せているビートを語らせることができます。

複数キャラクターの広告読み上げ。2人の「顧客」の短いやり取りは、単一の語り形式の広告スクリプトよりも本物のレビューのように聞こえ、しかも2つの独立した録音を調整するのではなく、1回の API 呼び出しで済みます。

プロモーションとセールのスクリプト。フラッシュセールや季節キャンペーンの音声で、アナウンサー音色と2つ目の「ハイプ」音色を交互に使います。その後、SKU 間で同じスクリプト骨格と音色の組み合わせを保ち、呼び出し間で商品名、価格、特典の詳細だけを差し替えます。

価格と予算

1,000文字あたり $0.125 で計算すると、典型的な15〜20秒のツイン音色広告スクリプト（約250〜350文字）の生成コストは数セントの端数にすぎません。長めの60〜90秒の複数ターン商品デモスクリプト（700〜900文字）は約 $0.09〜$0.11 です。課金は dialogue 配列全体の総文字数だけで決まり、話者や行数が計算式を変えることはありません。バッチタスクの予算を立てる前に、hiapi の価格ページで最新の正確な価格を確認してください。単一音色のナレーションや音楽と対話の共存が必要な場合は、残りのオーディオモデルのラインナップをご覧ください。

よくある質問

テキストto対話でカスタム音色やクローン音色は使えますか？ いいえ。ライブ schema は、プラットフォーム自身の約70個のプリセット音色リストにある voice ID のみを受け付けます。このエンドポイントにはカスタム音色クローンをアップロードまたは参照するフィールドはありません。

調整可能な「安定性」や感情設定には対応していますか？ 現在は対応していません。モデル自身の説明には安定性の制御が記載されていますが、対話行で text と voice 以外の内容を送信するとライブ API に拒否されます。安定性スライダーが実際にリリースされるまで、それを前提にドキュメントや UI を構築しないでください。

マルチスピーカースクリプトの価格はどのように計算されますか？ dialogue 配列全体の総文字数に基づき、1,000文字あたり $0.125 です。行単位、話者単位、あるいは出力音声の秒数単位ではありません。

タスクは何を返しますか？ ダウンロード可能な音声ファイルの URL を返し、他の hiapi タスク出力と同じ方法で配信されます。すぐにダウンロードしてバイト列を保存してください。タスク出力のリンクには有効期限があり、永続ホスティングではありません。

英語以外のスクリプトに使えますか？ このモデルは hiapi 自身のモデルカタログで70以上の言語を掲載しているため、プラットフォームレベルでは多言語の対話をサポートしています。本番投入する前に、対象言語のスクリプトを短いサンプルでテストしてください。

テキストto対話は、hiapi 上で成長中のオーディオ API ラインナップの1つです。モデルページを開いて自分のスクリプトを実行するか、価格ページで各モデルの現在の料金を確認してください。