ElevenLabs

位置づけの概要

elevenlabs/text-to-dialogue は、複数キャラクターの対話テキストをそのまま音声に合成するインターフェースです。呼び出し側は { text, voice } の配列で各セリフとその声を記述し、モデルは行ごとに対応する音声を出力します。1 回の送信で、すべてのセリフの合計は 5000 文字以内です。1 回のリクエストで 2 人または複数人の対話音声を生成する必要がある開発者に適しており、例えばショートドラマの吹き替え、ポッドキャストの対談、音声アシスタントのサンプル素材、インタラクティブコンテンツの対話演出などに利用できます。

主な特長

• 行ごとに声を指定し、1 回のリクエストで複数人の対話を合成——dialogue 配列内の各セリフに個別に voice_id を紐付けるため、複数回の単人合成に分割して後から結合する必要がありません。
• セリフごとに声を変更可能で、60 以上の候補音声をカバー——スキーマの voice 列挙には数十の選択肢があり、1 回の対話内で異なるキャラクターに異なる声を割り当てられます。
• 安定性パラメータを全体で調整可能——stability は 0、0.5、1 の 3 段階に対応し、感情の起伏と声の一貫性の間でバランスを取れます。
• 言語は自動検出または指定が可能——language_code を空欄にすると自動検出され、ISO 言語コードを明示的に指定することもできます。70 以上の言語をカバーします。

機能説明

複数キャラクターの対話合成：対話配列でセリフと声を記述し、1 回の呼び出しで複数キャラクターを含む対話音声を出力します。分段合成と手動結合を省けます。

セリフごとの声の紐付け：各行のセリフの voice を独立して選択できるため、異なるキャラクターに異なる声を割り当て、それぞれの声の特徴を保つのに適しています。

安定性と言語の制御：stability は表現される感情の変化幅を制御し、language_code は読み上げ言語を決定するか自動検出に任せます。固定言語の素材を一括処理するのに便利です。

長い対話テキストの処理：1 回のリクエストですべてのセリフの合計は 5000 文字までに制限され、まとまった対話スクリプトを一度に送信するのに適しており、内部の分割を気にする必要はありません。

適用シーン

• ショートドラマ・ストーリーコンテンツの制作者：複数キャラクターの対話スクリプト——役割ごとのセリフをそれぞれの声とともに送信し、完全な対話音声を得ます。ショートドラマ、ラジオドラマ、インタラクティブドラマのストーリー演出に使用できます。
• ポッドキャスト・インタビュー系コンテンツ：対談スクリプト——2 人の対談テキストを異なる声の対話トラックに変換し、ポッドキャストのセグメントや番組のサンプル音源としてそのまま使用できます。
• 製品・コンテンツチーム：多言語の対話素材——言語コードを指定して対応言語の対話音声を合成し、海外版コンテンツの吹き替えやデモに使用できます。
• 開発者：音声対話のプロトタイプ素材——音声アシスタントやカスタマーサービスボットなどのプロトタイプ向けに、複数キャラクターのサンプル音声を迅速に生成し、フロー検証や社内デモに使用できます。

制限と選型の提案

出力は音声であり、映像や動画は生成されません。完成映像が必要な場合は別途ビジュアル制作を行う必要があります。1 回のリクエストですべてのセリフの合計は 5000 文字以内で、長すぎるスクリプトは自分で複数回の呼び出しに分割して結合する必要があります。声はインターフェースが提供する voice リストからのみ選択でき、新しい声を直接クローンすることはできません。シーンが単一のナレーションや単人の読み上げのみの場合は、単人テキスト読み上げのラインを使用すればよく、対話配列を構築する必要はありません。