テキストから会話

テキストから会話（Text to Dialogue）ノードは、会話全体を 1 つのオーディオファイルに読み上げます。セリフを書いて各セリフにボイスを割り当てると、ElevenLabs Dialogue v3 がそれを順番に、1 つの自然なやり取りとして読み上げます。別々の音声クリップを生成してつなぎ合わせる代わりに、インタビュー、ポッドキャスト風の会話、会話のシーンに使います。

使いどころ

• 2 人以上の話者による、ポッドキャスト風の会話。
• ホストの声とゲストの声によるインタビュー。
• アニメーション動画や解説動画の会話トラック。
• キャラクターごとに 1 つのボイスを割り当てた、オーディオブックの会話シーン。
• 会話をすばやく試すための、オーディオのプロトタイプ。

1 つのボイスでテキストを読み上げる場合は、テキストから音声（Text to Speech）を使います。

クイックスタート

入力

出力のオーディオは、すべてのセリフを順番に読み上げた、ひと続きのオーディオファイル 1 つです。

設定

入力している間、パネルにはボイス数と文字数が表示されます。たとえば 2/10 voices や 840/5000 です。

制限

会話には、テキストの入ったセリフが少なくとも 1 行必要です。どのセリフにもテキストがない場合、実行は開始前に拒否されます。

ボイスとオーディオタグ

どのセリフでも、どのボイスでも使えます。標準ボイス、ボイスライブラリのボイス、自分のボイスを自由に組み合わせられます。会話専用のボイスの一覧はありません。

セリフでは、テキストから音声の ElevenLabs v3 と同じオーディオタグを使えます。たとえば [laughs]、[whispers]、[sighs] です。

モデル

テキストから会話は、ElevenLabs Dialogue v3 を使います。料金は、脚本 1,000 文字ごとに決まります。

ヒント

• 話者ごとにはっきり違うボイスを選ぶ：聞き手が会話を追いやすくなります。割り当てる前に、ボイスブラウザーでボイスを試聴してください。
• セリフは会話らしく保つ：1 行に長い段落を詰め込むより、短いセリフを何行かに分けたほうが自然に聞こえます。
• 安定性はバランスから始める：ドラマチックなシーンや感情的なシーンでは下げ、ナレーションのような改まった読み方にしたい場合は上げます。
• 複数の言語が混ざる会話では言語を設定する：1 つの言語なら、自動検出で十分です。話者が言語を切り替える場合は、主な言語を明示的に選びます。
• 長い会話はつなぎ合わせる：長い会話を複数のノードに分け、オーディオを結合（Combine Audio）でパートを順番につなぎます。

API から

同じ生成を、MCP ツール generate_dialogue として使えます。MCP ツールと音声とメディアを参照してください。