ElevenLabsは日本語でどこまで使えるか【2026年7月・実運用レポート】4チャンネル196本を生成して分かった誤読対策とv3の落とし穴

「ElevenLabsの日本語、実際どうなんですか」。

AI音声を調べていると、この質問に正面から答えている記事が驚くほど少ないことに気づきます。英語のデモは山ほど出てくる。でも日本語で、しかも量産して、そのとき何が壊れるのかを書いたものがない。

この記事は、そこを埋めるために書きました。

筆者はYouTubeの自動生成パイプラインでElevenLabsを常用しています。4チャンネル・14本の動画で、行単位の音声ファイルを196本生成しました（2026年7月時点／筆者の制作環境で実測）。その過程で溜まった失敗と対処を、そのまま公開します。

結論を先に書きます。日本語で実用に耐えます。ただし「設定を正しく入れる」「誤読辞書を持つ」の2つを満たした場合に限ります。この2つを飛ばすと、品質は一気に崩れます。

結論：日本語で実用に耐える。ただし「無設定で使うと崩れる」

先に立場を明確にします。筆者はElevenLabsを日本語ナレーションの本番運用に使い続けています。他に乗り換えていません。

理由は、自然さと声の一貫性を同時に満たせるからです。

ここは意外と重要な論点です。動画を量産するとき、1本ごとに声が微妙に変わってしまうと、チャンネルとして成立しません。自然さだけなら他にも選択肢はありますが、同じ声を何十本も再現できるかどうかで候補は絞られます。

ただし「そのまま使えば良い音が出る」ツールではありませんでした。

初期に生成した音声を聴き返すと、固有名詞が読めていない。アルファベットが英語のまま読まれる。ときどき中国語のような発音が混ざる。日本語話者が聴けば一発で分かる違和感が、そこそこの頻度で出ます。

これらは全部、設定と運用で潰せます。以下、順番に書きます。

前提：何をどれだけ生成したかを開示します

判断材料として、筆者の運用規模を先に出します。数字の裏づけがない体験談は読む価値がないと思うので。

（【実測】2026年7月時点・筆者の制作環境での実数）

「196本」は動画の本数ではなく、台本を1行ずつに切って個別生成した音声ファイルの数です。なぜ行単位で切るのかは後述しますが、これ自体が誤読対策の核心でした。

v3で最初に踏む地雷｜stabilityは3値しか受け付けない

いきなり実装レベルの話から入ります。ここでつまずいた人が読者に必ずいるはずなので。

v2系のつもりでパラメータを渡すと、APIが422を返して生成に失敗します。

何が起きたか

v2系のモデルでは、音声の調整に複数のスライダーが使えます。筆者の設定ファイルにも、以下の値が入っていました。

voice_settings:
  speed: 0.95        # やや遅め＝朗読の落ち着き
  stability: 0.65    # やや高め＝量産での一貫性
  similarity: 0.78   # 声の再現度
  style: 0.0         # 誇張なし

この設定のままv3に切り替えたところ、生成が通らなくなりました。

原因は、v3のstabilityが連続値ではなく3つの離散値しか受け付けないことです。Creative(0.0)／Natural(0.5)／Robust(1.0)の3択で、0.65のような中間値は無効。さらにspeed・style・similarity_boostはv3では非対応パラメータでした。

（【実測】筆者環境で422エラーとして再現。エラー詳細にvoice_settingsおよびstabilityへの言及あり）

どう対処したか

設定ファイルを書き換えるのではなく、送信前に自動で正規化する処理を入れました。

• v3系モデルを検出したら、stabilityを最も近い3値にスナップする
• v3非対応のパラメータを送信内容から除外する
• それでも422が返ったら、voice_settingsごと外して再試行する

3段階目の「全部外して再試行」まで入れているのは、仕様が今後また変わる可能性を織り込んだためです。実際v3は比較的新しいモデルで、パラメータの扱いが動く余地があります。

（【推測】仕様変更への備えという判断は筆者のもので、公式にそうしろと書かれているわけではありません）

ここが実務上いちばん効きます。 モデルを切り替えるとき、設定は「引き継げる」と思い込まないこと。v2とv3は同じスライダーを持つ別モデルではなく、調整の作法そのものが違います。

language_code: ja を指定しないと、中国語読みが混ざる

これは日本語ユーザーだけが踏む地雷です。英語圏の記事にはまず書かれていません。

多言語対応のモデルは、入力テキストから言語を推定します。日本語には漢字が含まれるため、推定が中国語側に転ぶことがあります。結果、一部の語が中国語のような発音で読まれます。

筆者の設定ファイルには、この対策として次のコメントを残してあります。

language_code: ja   # 言語上書きON相当。誤読（中国語化等）を防ぐ

（【実測】筆者の制作環境で、明示指定を運用ルールとして固定している）

漢字を多用する台本ほど起きやすい、というのが体感です。歴史解説チャンネルのように固有名詞と漢語が密集する原稿では、指定の有無で品質がはっきり変わりました。

注意点として、モデルによってはlanguage_code自体を受け付けません。筆者の実装では、非対応モデルが返ってきた場合は自動でパラメータを外して再試行するようにしています。指定して落ちる、を避けるためです。

誤読は聴くまで分からない｜だから1行50〜100文字で切る

ここがこの記事でいちばん伝えたい運用思想です。

AI音声の誤読は、出力して耳で聴くまで検出できません。 テキストを見ても分からない。文法チェックでも引っかからない。読み上げて初めて「あ、違う」と気づきます。

この性質から、運用手順が逆算されます。

長文を一括生成してはいけない

10分の原稿を一度に生成すると、どうなるか。

1箇所の誤読を見つけた時点で、全体を作り直すことになります。修正したい語はたった1つなのに、10分ぶんのクレジットが飛ぶ。しかも作り直した音声で、今度は別の場所が違う読み方をする可能性すらあります。

だから1行ずつ生成して、ファイルを分けて保存する。誤読が見つかったら、その行だけ作り直す。

1行の文字数は50〜100文字

短く切りすぎると生成回数が増えて手間とAPI呼び出しが膨らみます。長すぎると上記の再生成コストが跳ね上がる。その均衡点が50〜100文字でした。

筆者の実装では、120文字を超える行に警告を出すようにしています。台本生成側でこの文字数帯に切るルールを持たせ、それでもすり抜けた行を合成側で検出する二重構えです。

（【実測】筆者環境の実装値。50〜100文字という目安自体は、後述の外部解説動画で示されていた実運用値と一致しました）

回し方は「試聴 → 全行 → 該当行だけ再生成」

実際の手順はこうです。

1. 先頭1行だけ生成して聴く（疎通確認とクレジット節約を兼ねる）
2. 問題なければ全行を生成
3. 通しで聴いて、誤読・イントネーション違いの行を特定
4. その行だけを指定して再合成

3番を飛ばしたくなりますが、飛ばすと必ず後で気づきます。公開後に気づくのが最悪なので、ここは省略できません。

誤読辞書を育てる｜205語まで来て分かったこと

同じ誤読を二度出さないために、表記から読み（かな）への置換辞書を持っています。音声合成の直前に適用する仕組みです。

現在205語。事故が起きるたびに1行ずつ足してきた結果です。

（【実測】2026年7月時点の登録語数）

置換は音声にだけ効かせる

重要な設計判断がひとつあります。置換はTTSへの入力にだけ適用し、画面に出る字幕には元の表記を残すこと。

「白雉」を「はくち」と読ませたいからといって、字幕まで「はくち」になったら意味が通りません。音と文字で必要なものが違う、という当たり前のことですが、実装では明確に分ける必要があります。

アルファベット略語は、ほぼ全滅します

いちばん再現性の高い失敗がこれでした。技術系の原稿を扱ったとき、アルファベットの略語はまず正しく読まれません。

筆者の辞書には、先回りでこれだけ登録してあります。

• QRコード → キューアールコード
• TCP/IP → ティーシーピーアイピー
• HTTP／HTTPS／URL／DNS
• USB／ZIP／GIF／PNG／JPEG
• CPU／GPU／RAM／ROM／GPS／LED

技術史を扱うチャンネルを立ち上げたとき、事故を待たずにまとめて登録しました。それくらい確実に外します。

難読語とルビ表記の順序に注意

固有名詞は事前に潰しておくのが安全です。筆者の辞書には「澱見村→よどみむら」「白雉→はくち」「中大兄皇子→なかのおおえのおうじ」のような登録が並んでいます。

ひとつ実装上の罠があります。原稿に「白雉（はくち）」のようなルビ表記を書く場合、ルビつきの複合キーを、単体キーより先に処理しないと二重読みになります。「はくち（はくち）」と読まれる、という間抜けな事故です。

（【実測】辞書ファイル内にこの順序ルールをコメントとして明記して運用中）

面白かった発見：同じ語でも揺れる

「祖母」という語が、同じモデル・同じ設定でも「そぼ」と「そも」で揺れました。

決定的に間違えるわけではなく、生成のたびに変わる。これは辞書で固定するしかありません。誤読対策は「間違いを直す」だけでなく「揺れを止める」作業でもある、というのがこの一件からの学びでした。

感情タグが効かないのは、声の素質の問題

v3では、台詞の前に角括弧のタグを置くと演技が付きます。[ささやき声で] [ため息] [笑いながら] のように書きます。日本語のタグでも動きました。

（【実測】筆者環境で動作確認済み。公式の英語タグ例は[whispers] [laughs] [sighs]）

丸括弧ではなく角括弧である点に注意してください。ここを間違えると、タグがそのまま読み上げられます。

タグを盛っても叫ばない声がある

ここが重要です。

タグが効くかどうかは、その声がもともと持っている素質でほぼ決まります。 「寡黙で落ち着いた男性」として作った声に[叫ぶ]を付けても、叫びません。

つまり「感情が乗らない」問題の大半は、タグの書き方ではなく声を作った時点の設定に原因があります。対処はタグを増やすことではなく、その演出専用の声を新しく作ることです。

（【推測】この原則は後述の外部解説動画で「最重要」として提示されていたもので、筆者の運用実感とも一致しています。ただし筆者が対照実験で検証したわけではありません）

使いすぎない

朗読系のチャンネルでは、タグを付ける行を山場の1〜2割に絞っています。淡々とした語りの中に緩急があるから効くのであって、全編に感情を盛ると平坦になります。

これは音声に限らない話かもしれません。強調は、しない部分があるから成立します。

なお、生成した音声を動画に載せる工程まで含めた全体像はAI動画編集副業の始め方に整理しています。

Voice Design｜プロンプトの先頭に「東京アクセント」

新しい声を作るとき、方法は2つあります。実在音声を複製するInstant Voice Cloneと、テキストのプロンプトから新規に生成するVoice Designです。

筆者が主に使っているのはVoice Designです。実在の人物の声を使うと権利関係の確認が必要になりますが、プロンプトから作った声ならその論点を回避できます。

最重要のコツ

プロンプトの先頭に「東京アクセント」（またはTokyo accent, native Japanese）を入れること。

これがないと、片言や外国語訛りっぽい日本語の声になりやすくなります。

（【引用】このテクニックはたなか氏（AI映像監督）の解説動画で「動画内で最重要」として紹介されていたものです。筆者の運用でも採用しています）

生成される候補はガチャ

1回のプロンプトで3候補が出ますが、当たり外れがあります。イメージに合わないなら妥協せず回し直すのが結局は早い。

そして何度回しても欲しい性質が出ないときは、タグや設定をいじるのではなくプロンプト自体を書き直す。ここでも「入口の設計がすべてを決める」という同じ構図が出てきます。

保存するときは、ラベル欄に日本語で「どんな声・どんなキャラか」のメモを残してください。 声が増えてくると、名前だけでは判別できなくなります。

2026年に入ってからの変化｜製品が3つに割れました

article16を書いた時点（2026年6月）から、ElevenLabsは大きく動いています。ここは公式サイトで確認できる範囲を整理します。

製品構成の再編

現在、公式サイトは3つのプラットフォームに分かれています。

料金ページも3つに分かれました（出典: ElevenLabs公式・料金）。

「AI音声読み上げツール」という理解は、もう正確ではありません。 音声を作る道具から、音声で対話するシステムの基盤へ、重心が移っています。

モデルの更新履歴

公式サイトに掲載されている時系列から、2026年分を抜き出します。

• Scribe v2（2026年1月）— 文字起こしモデル
• エージェント向けエクスプレッシブモード（2026年2月）
• ミュージック v2（2026年5月）
• ダビング v2（2026年5月）— 話者の感情や表現を各言語に伝える

（出典: ElevenLabs公式サイト）

半年で4件。この分野は記事の賞味期限が短いということでもあります。この記事も2026年7月時点の情報として読んでください。

81プロデュースとの提携

日本語で使う人にとって見逃せないのが、声優事務所との提携です。

2025年12月15日、声優事務所の81プロデュースとイレブンラボジャパンが業務提携を発表しました。所属声優の声を登録し、声質や口調を保ったまま多言語化する取り組みです。承認されたアニメ・ナレーション・番組コンテンツを最大29言語に展開するとされています。

無断利用を防ぐ仕組みとして、VoiceCAPCHA・電子透かし・C2PA準拠といった技術が挙げられています。

（出典: イレブンラボジャパン公式プレスリリース、ITmedia AI+）

【推測】 ここからは筆者の解釈です。この提携は「AI音声か、人間の声優か」という対立の構図を崩す方向に働くと見ています。声を守りながら流通させる枠組みができれば、日本語音声の選択肢は増える。日本語で運用する側としては、いま作法を固めておく価値がある局面だと考えています。

料金と商用利用｜ここだけは絶対に外せない

詳しくは別記事に譲りますが、外すと事故になる一点だけ書きます。

無料プランには商用ライセンスがありません。 YouTubeの収益化を予定しているなら、それは商用利用です。無料枠で生成した音声を使ってはいけません。

商用利用が可能になる最小構成はスターター（月6ドル・月30,000クレジット）です（出典: ElevenLabs公式・料金／2026年7月時点）。

なお、スタータープランは以前の月5ドルから月6ドルに改定されています。古い記事や解説動画の多くが5ドル表記のままなので、契約前に公式ページで確認してください。

週に2〜3本、8〜12分の動画を作る規模なら、クリエイター（月22ドル・月121,000クレジット）帯が現実的でした。【実測】 筆者の運用ではスターターの30,000クレジットでは足りません。

向いている用途・向いていない用途

正直に書きます。

向いている

• 同じ声で量産する必要があるコンテンツ（連載動画、シリーズもの）。ここが最大の強みです
• 固有名詞が事前に洗い出せる原稿。辞書で潰せます
• 感情の起伏より、落ち着いた語りが求められる用途
• 効果音の調達。フリー素材を探し回るより、欲しい音を作るほうが早い場面があります

音楽まで自前で作るならSuno AIの使い方と収益化、話した内容を文字に起こす側の話はNottaで文字起こしを仕事にする方法にまとめてあります。

向いていない

• 一度きりの短い音声。設定と辞書を整える手間が回収できません
• 台本が事前に確定せず、その場で読み上げたい用途
• 激しい感情表現を要求する演技。専用の声を作る前提になります
• 納品物の読みを他人が保証しなければならない案件。誤読の最終確認は人間の耳が必要で、その工数を見積もりに入れないと赤字になります

最後の項目は、受託で使う人には特に効きます。AI音声の単価は「生成コスト」ではなく「検収コスト」で決まる、というのが筆者の実感です。

よくある質問

ElevenLabsの日本語は不自然ではないですか？

設定を正しく入れれば、実用に耐えます。ただし無設定だと固有名詞の誤読やアルファベット略語の読み違いが起きます。language_codeの指定と誤読辞書の運用が前提条件だと考えてください。

v3とv2、どちらを使うべきですか？

筆者は現在v3を使いつつA/B評価を継続しています。v3は感情タグが使える一方、stabilityが3値（Creative/Natural/Robust）に制限され、speed・styleなどのパラメータが使えません。v2の細かい調整に慣れている場合、そのまま設定を移すとAPIがエラーを返します。

誤読が多いのですが、どうすればいいですか？

3つの順で対処してください。第一にlanguage_code: jaを指定する。第二に原稿を1行50〜100文字に切って、誤読した行だけ再生成できるようにする。第三に恒常的な誤読は置換辞書に登録して二度と起こさないようにする。特にアルファベットの略語は、事故を待たず先回りで登録してください。

感情タグを付けても演技が変わりません

多くの場合、その声にもともと感情を乗せる素質がないことが原因です。落ち着いた声として設計されたキャラクターに叫ぶ指示を出しても叫びません。タグを増やすのではなく、その演出用の声を新規に作ってください。

無料プランで作った音声をYouTubeに使えますか？

使えません。無料プランには商用利用ライセンスが含まれず、収益化予定のYouTube運用は商用扱いになります。商用利用が可能な最小構成はスターター（月6ドル）です。

声優の声を勝手にクローンできますか？

してはいけません。実在人物の声の複製には本人の同意が必要です。なお2025年12月に声優事務所の81プロデュースとイレブンラボジャパンが業務提携し、声を保護しながら多言語展開する枠組みの構築が発表されています。無断利用対策としてVoiceCAPCHAや電子透かし、C2PA準拠が挙げられています。

1本の動画を作るのにどれくらいクレジットを使いますか？

原稿の文字数に比例します。筆者の環境では8〜12分の動画を週2〜3本作る規模で、スターターの月30,000クレジットでは不足し、クリエイター（月121,000クレジット）帯が現実的でした。再生成の回数によっても変動するため、初月は余裕を持ったプランで実測してください。

まとめ：日本語運用は「設定」と「辞書」で決まる

長くなったので、要点だけ残します。

ElevenLabsの日本語は実用に耐えます。 ただし、そのまま貼り付けて良い音が出るツールではありませんでした。

効く順に並べるとこうです。

1. language_code: ja を指定する — 中国語読みの混入を防ぐ
2. 1行50〜100文字で切る — 誤読1箇所で全体を作り直さないため
3. 誤読辞書を持つ — 特にアルファベット略語は先回りで登録する
4. v3の設定作法を理解する — v2のパラメータをそのまま渡すとエラーになる
5. 感情はタグでなく声の設計で作る — タグを盛っても素質は超えられない

そして最後にひとつ。AI音声の品質は、生成する側ではなく確認する側の工数で決まります。

誤読は聴くまで分かりません。だから「生成して終わり」の運用は必ず破綻する。通しで聴く時間を最初から工程に入れておく。地味ですが、これが一番効きました。