NodaroAccount
Nodaro ドキュメント
ドキュメントノードリファレンスモデルテンプレートAI エージェント(MCP)開発者向けセルフホスティングリサーチ比較
オーディオ

テキストから音声

ElevenLabs v4、v3、Turbo や、低価格の Gemini のボイスで、テキストを自然な音声にします。ボイスを選び、タグで感情を加え、46 の言語で読み上げます。

テキストから音声ノードは、ElevenLabs または Google Gemini の音声モデルを使って、テキストを読み上げ音声に変換します。テキストを書くか接続し、ボイスとモデルを選びます。ノードが返すオーディオファイルは、動画に重ねたり、顔にリップシンクさせたり、音楽とミックスしたりできます。デフォルトのモデルである ElevenLabs v4 は 46 の言語を話し、[laughs] や [whispers] などのオーディオタグにも対応しています。4 つの Gemini モデルは、1 文字あたりの料金がずっと安く、独自のボイスで話します。

使いどころ

  • 動画、解説動画、広告のボイスオーバーやナレーションが必要なとき。
  • キャラクターにセリフを話させたいとき。たとえば、リップシンクでポートレートを動かす前の音声です。
  • 書いた台本から、ポッドキャスト風の音声を作りたいとき。
  • 同じ台本を、複数の言語で読み上げたいとき。
  • 感情、リアクション、間をテキストに直接書き込んで、表現豊かに読み上げたいとき。

複数のボイスによる会話を 1 つのファイルにする場合は、代わりにテキストから会話を使います。

クイックスタート

ノードを追加する

キャンバス上で Tab を押し、オーディオ › 音声とナレーション › テキストから音声を選びます。

テキストを渡す

テキスト、テキスト生成 - あらゆる LLM、脚本生成のいずれかのノードを、プロンプト入力に接続します。代わりにノードにテキストを直接入力する場合は、設定パネルを開き、テキストのソースを直接入力にします。

ボイスとモデルを選ぶ

ボイスでボイスブラウザーを開き、いくつかプレビューを聞いて 1 つ選びます。モデルは、もっと長いテキストや安い料金が必要でなければ、ElevenLabs v4 のままにします。

実行する

ノードの実行をクリックします。音声がプレーヤー付きでノードに表示されます。それまでの結果も、すべてノードの結果一覧に残ります。

プロンプトオーディオオーディオ動画テキスト台本テキストから音声ElevenLabs v4オーディオ FX部屋(屋内)動画生成動画とオーディオを結合
台本がナレーション音声になり、部屋のリバーブで声をシーンになじませてから、その声を動画に結合します。

入力

入力接続できるノード説明
プロンプトテキスト、テキスト生成 - あらゆる LLM、脚本生成、テキストを結合などのテキスト系ノードテキストのソースが接続されたノードからのときに、読み上げるテキストです。

前のテキストと次のテキストには、フィールドマッピングでほかのノードのテキストを渡すこともできます。クリップ間の連続性を参照してください。

出力のオーディオは、読み上げた音声の URL です。いくつのノードにでも同時に渡せます。

設定

設定説明
テキストのソース接続されたノードから(デフォルト)は、プロンプトに接続されたテキストを読み上げます。直接入力は、テキストに入力したテキストを読み上げます。
テキストテキストのソースが直接入力のときに、読み上げるテキストです。[ か / を入力すると、オーディオタグを挿入できます。{Script} のように、ほかのノードのラベルを波かっこで囲んで書くと、そのノードの値を入れられます。
モデルElevenLabs v4(デフォルト)、ElevenLabs v4 Turbo、ElevenLabs v3、ElevenLabs Turbo v2.5、ElevenLabs Multilingual v2、Gemini 3.8 Flash-Lite TTS、Gemini 3.8 Flash TTS、Gemini 3.1 Flash TTS、Gemini 2.5 Pro TTS のいずれかです。
ボイス読み上げるボイスです。ボイスブラウザーが開きます。デフォルトは Rachel です。Gemini のモデルでは、代わりにそのモデル独自のボイスから選びます。デフォルトは、3.8 では Fola、3.1 Flash と 2.5 Pro では Kore です。
言語自動検出(デフォルト)か、モデルの一覧にある言語の 1 つです。
安定性0〜1 です。値が低いほど表情豊かで変化に富み、高いほど均一に聞こえます。
類似度0〜1 です。結果がボイスの声質にどれだけ近いかを決めます。ElevenLabs v4、v4 Turbo、Turbo v2.5、Multilingual v2 のみです。
スタイルの誇張0〜1 です。元のボイスのスタイルを強めます。Turbo v2.5 と Multilingual v2 のみです。
速度0.7x〜1.2x です。Turbo v2.5 と Multilingual v2 のみです。
前のテキスト連続性の中にあります。このクリップの直前に話されるセリフです。モデルは文脈として読み取りますが、読み上げません。最大 1,000 文字です。
次のテキスト連続性の中にあります。このクリップの直後に話されるセリフです。最大 1,000 文字です。
スタイル指示Gemini のモデルのみ。3.8 Flash-Lite と 3.8 Flash では、テキストをどう読み上げるかを自由に書いた説明で、最大 1,000 文字です。たとえば「slow and dry, like a night-shift radio host」(深夜のラジオ番組の司会者のように、ゆっくり淡々と)です。3.1 Flash と 2.5 Pro では、一覧から選ぶ話し方のスタイルです。笑顔の声、ニュースキャスター、ささやき、共感的、プロモーション/盛り上げ、無表情から選びます。指示が読み上げられることはなく、料金にも数えられません。
ペースGemini 3.1 Flash と 2.5 Pro:自然、早口、ゆったり、スタッカートから選びます。
アクセントGemini 3.1 Flash と 2.5 Pro:ニュートラル、アメリカ英語(一般)、アメリカ英語(バレー)、アメリカ英語(南部)、イギリス英語(RP)、イギリス英語(ブリクストン)、トランスアトランティック、オーストラリア英語から選びます。
オーディオプロフィールGemini 3.1 Flash と 2.5 Pro:誰が話しているかを言葉で書いたもので、最大 1,000 文字です。たとえば「a calm late-night radio host」(落ち着いた深夜のラジオ番組の司会者)です。
ファイル音声ファイルです。どのモデルでも同じクレジットで、MP3 形式(128 kbps)(デフォルト)、MP3 形式(192 kbps)、WAV 形式(24 kHz)から選びます。ワークフローの実行、公開したアプリ、API でも、同じファイルが届きます。
前後のテキスト読み上げるテキストの前後に必ず追加されるテキストです。ワークフローをアプリとして使う人には表示されません。プロンプトの前後のテキストを参照してください。

パネルには、選んだモデルが使う設定だけが表示されます。ElevenLabs v3 は安定性だけです。ElevenLabs v4 と v4 Turbo は、安定性と類似度です。v2 のモデルには、4 つのスライダーがすべてあります。別のモデルを選ぶと、新しいモデルが使わない設定は消去されます。新しいモデルにない言語は、自動検出に戻ります。

ボイスの設定は、プレビューの設定に従います。スライダーを動かさなければ、ノードはボイスに保存されている設定を使います。これは、そのボイスのプレビューを作ったときと同じ設定です。そのため、結果は聞いたプレビューと同じように聞こえます。スライダーを動かすと、変わるのはその値だけで、ボイスのほかの保存済みの設定はそのまま使われます。

公開したアプリでは、安定性と類似度をスライダーとして公開できます。スライダーの初期値はノード自身の値で、ノードに値がなければ 0.5 と 0.75 です。ElevenLabs v3 は類似度を使いません。

テキストから音声の設定パネル。「テキストのソース」「モデル」「ボイス」「言語」と、「安定性」のスライダーがあります。テキストから音声の設定パネル。「テキストのソース」「モデル」「ボイス」「言語」と、「安定性」のスライダーがあります。

モデル

テキストから音声では、5 つの ElevenLabs 音声モデルと、4 つの Gemini 音声モデルを実行できます。以下の ElevenLabs のモデルをクリックすると、クレジットの料金を確認できます。

モデル開発元モードクレジット詳細
ElevenLabs v4ElevenLabsテキストから音声5 からテキストから音声を生成する ElevenLabs の最新モデルで、[オーディオタグ]、安定性と類似度の調整に対応し、1 回のリクエストで最大 10,000 文字まで扱えます。ElevenLabs の API を直接使います。
ElevenLabs v4 TurboElevenLabsテキストから音声3 から忠実度と引き換えに、より速く、より安く使える ElevenLabs v4 で、[オーディオタグ]、安定性と類似度の調整に対応し、料金は Turbo と同じです。品質を重視するなら v4 を選んでください。ElevenLabs の API を直接使います。
ElevenLabs v3ElevenLabsテキストから音声5 から表現力の高い ElevenLabs のテキスト音声モデルで、感情や話すテンポを指定する[オーディオタグ]に対応しています。ElevenLabs の API を直接使います。
ElevenLabs Turbo v2.5ElevenLabsテキストから音声3 からElevenLabs の API を直接使って、高速かつ安価にテキストから音声を生成します。ナレーションに向いています。
ElevenLabs Multilingual v2ElevenLabsテキストから音声5 からElevenLabs の API を直接使って、多言語でテキストから音声を生成します。
モデル言語オーディオタグ連続性1 回の実行あたりの文字数
ElevenLabs v4(デフォルト)46対応対応10,000
ElevenLabs v4 Turbo46対応対応10,000
ElevenLabs v346対応非対応5,000
ElevenLabs Turbo v2.532非対応。読み上げる前に取り除かれます対応40,000
ElevenLabs Multilingual v229非対応。読み上げる前に取り除かれます対応10,000
Gemini 3.8 Flash-Lite TTSテキストに従います独自のトーンタグ非対応10,000
Gemini 3.8 Flash TTSテキストに従います独自のトーンタグ非対応10,000
Gemini 3.1 Flash TTSテキストに従います対応非対応10,000
Gemini 2.5 Pro TTSテキストに従います対応非対応10,000

どのモデルを選ぶか

  • ElevenLabs v4:デフォルトです。表現豊かな音声、オーディオタグ、最も幅広い言語対応、1 回の実行で最大 10,000 文字が必要なときに選びます。速度とスタイルの誇張の設定はありません。
  • ElevenLabs v4 Turbo:v4 と同じオーディオタグと設定を持ち、より高速で安価ですが、忠実度は下がります。タグを使ったナレーションを安く作るときに選び、品質が大事なときは v4 を選びます。
  • ElevenLabs v3:以前のモデルです。オーディオタグと言語は同じで、1 回の実行で最大 5,000 文字です。v3 で保存したノードは、そのまま v3 で実行されます。
  • ElevenLabs Turbo v2.5:より安く、より高速です。シンプルなナレーションや、1 回の実行で最大 40,000 文字の長いテキストに選びます。
  • ElevenLabs Multilingual v2:29 の言語で自然に読み上げます。1 回の実行で最大 10,000 文字です。
  • Gemini 3.8 Flash-Lite TTS:最も安いモデルです。名前の付いた 70 のボイス、独自のトーンタグ、自由記述のスタイル指示があります。
  • Gemini 3.8 Flash TTS:3.8 の大きいほうのモデルで、ボイス、タグ、スタイル指示は同じです。自分の声の 1 回限りのクローンで読み上げることもできます。
  • Gemini 3.1 Flash TTS と Gemini 2.5 Pro TTS:名前の付いた 30 のボイス、[audio tags]、話し方のスタイル、ペース、アクセント、オーディオプロフィールがあります。3.8 のモデルより高くなります。

同じボイスでも、v4 では v3 とかなり違って聞こえることがあり、音量が小さくなることもよくあります。完成したプロジェクトを切り替える前に、自分のボイスで 2 つのモデルを比べてください。

Nodaro のすべてのオーディオモデルについては、モデルの選び方を読んでください。

Gemini のモデル

4 つの Gemini のモデルは ElevenLabs のモデルと並んで使え、デフォルトは引き続き ElevenLabs v4 です。ElevenLabs のモデルとは、次の点が異なります。

  • 独自の名前付きボイスだけ:各 Gemini モデルは、自分の一覧にあるボイスだけで話します。ElevenLabs のプリメイドボイス、ボイスライブラリのボイス、カスタムボイスは使えません。3.8 のモデルには、用途ごとにまとめた 70 のボイスがあります。チューター、CM ナレーション、解説・教育、ポッドキャスト、ストーリーテラー、デジタルアシスタント、コールセンター、コンシェルジュ、テクニカルサポート、プロフェッショナルです。Gemini 3.1 Flash と 2.5 Pro は、30 のボイスを共有します。パネルには、ボイスブラウザーの代わりにモデルの一覧が表示されます。
  • モデルを切り替えても有効なボイスが保たれる:ノードのボイスが新しいモデルの一覧にない場合、ノードは新しいモデルのデフォルトのボイスになります。公開したアプリのモデルカードやフィールドマッピングなど、別の場所でモデルが設定された場合も同じです。
  • 言語の設定はない:言語はテキストに従うので、言語は表示されません。
  • タグは各モデル独自の形式:Gemini 3.8 Flash-Lite と 3.8 Flash は、<laugh>、<sigh>、<whispers>、<short pause>、<long pause> のような、山かっこで囲んだ独自のタグを受け付けます。通常の角かっこのタグも書けます。3.8 に対応するものがあるタグは、そのタグとして送られます。たとえば、[laughs] は <laugh> になります。[excited] や効果音のように対応するもののない角かっこのタグは、取り除かれます。気分は代わりにスタイル指示に書いてください。Gemini 3.1 Flash と 2.5 Pro は、角かっこのタグを書いたとおりに受け付けます。
  • タイミングも連続性もない:Gemini のモデルは単語のタイミングを返さず、前のテキストと次のテキストも使いません。

ボイスを性別で制限している環境では、Gemini のモデルは提供されません。そのボイスには性別が記録されていないためです。

自分の声の 1 回限りのクローン

Gemini 3.8 Flash TTS は、2 つの録音からクローンした本人の声で、1 回の実行だけ読み上げられます。クローンがボイスとして保存されることはなく、自分のボイスにも表示されません。追加料金はかからず、実行の料金は、Gemini 3.8 Flash TTS のほかの実行と同じです。Gemini 3.8 Flash-Lite TTS を含むほかのモデルは、クローンを拒否します。

Gemini 3.8 Flash TTS では、設定パネルにご自身の声(1 回限りのクローン)が表示されます。それぞれ 10 MB までの WAV ファイルを 2 つ受け付けます。

  1. 基準の録音:本人が自然に話す 10〜30 秒の録音です。反響、音楽、ほかの声のない静かな部屋で、生成する言語で録音します。
  2. 同意の録音:30 秒までです。同じ人が、同じ部屋で同じマイクを使って、パネルに表示される文を読み上げます。文は「I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model.」です。意味は、「私はこの声の所有者であり、Google がこの声を使って合成音声モデルを作成することに同意します」です。

どちらも同じ大人の実際の録音である必要があります。AI で生成したオーディオは拒否されます。そのうえで、声が自分のものであること、または声の持ち主が同意したことを確認するチェックボックスをオンにします。ノードがクローンを実行するのは、このチェックボックスがオンになってからだけです。録音を変えると、チェックは外れます。

録音とチェックは、あなただけのものです。ワークフローから作ったテンプレート、アプリ、コンポーネント、共有リンクには、録音が空でチェックのないクローンが含まれます。実行する人が、自分の 2 つの録音を追加し、自分でチェックボックスをオンにします。それらがない実行は、クレジットが確保される前に拒否されます。Google が録音を拒否した場合、実行はその理由とともに失敗し、何も請求されません。アップロードしたファイルは、削除するまでライブラリに残ります。

ボイスを選ぶ

ボイスブラウザーには、3 つのタブがあります。

  • 標準ボイス:ElevenLabs の標準のボイスです。
  • マイボイス:すでに持っているカスタムボイスです。説明から新しいボイスを作るには、ボイスデザインを使います。
  • ボイスライブラリ:ElevenLabs の共有ライブラリです。検索と、アクセント、年齢、言語、用途、トーンのフィルターを使えます。

どのボイスにも、選ぶ前に再生できるプレビューがあります。

ボイスライブラリの各ボイスは、作成者が特定のモデル向けに検証しています。ノードが Turbo v2.5 か Multilingual v2 で動いていて、そのモデル向けに検証されていないライブラリのボイスを選んだとします。するとノードは、モデルを、そのボイスが検証されているモデルに切り替えます。優先順は、ElevenLabs v4、v3、v4 Turbo、最も安い v2 のモデルです。ElevenLabs v4、v4 Turbo、v3 のノードが、ボイスの選択によって切り替えられることはありません。

オーディオタグで感情を加える

ElevenLabs v4、v4 Turbo、v3 は、オーディオタグを読み取ります。オーディオタグは角かっこで囲んだ短い指示で、テキストの中の、効果を入れたい位置に置きます。たとえば I can't believe it [laughs] that's amazing です。

種類例
感情[excited]、[sad]、[angry]
リアクション[laughs]、[sighs]、[gasps]
話し方[whispers]、[shouting]
間の取り方[pause]、[long pause]
トーン[cheerfully]、[deadpan]
効果音[applause]、[thunder]

v2 のモデルは、読み上げる前にオーディオタグを取り除くため、残ったテキストが不自然に読まれることがあります。v2 のモデルで間を入れるには、代わりに <break time="1.0s" /> のような break タグを使います。

違いを聞く

以下の 2 つのテイクは、どちらも ElevenLabs v3 と標準ボイスの Rachel を使っています。1 つ目は 2 つのオーディオタグ付きでテキストを読み上げ、2 つ目はタグなしで同じ言葉を読み上げています。

オーディオタグ付きのテキスト

プロンプトの翻訳です。モデルには英語の原文を送りました。原文は下にあります。

あちこち探しました。[whispers] そして見つけたんです、古い地図のすぐ下で。[laughs] ずっとそこにあったんです。
英語の原文プロンプト
I looked everywhere for it. [whispers] And then I found it, right under the old map. [laughs] It was there the whole time.
[whispers] と [laughs] の 2 つのタグを入れた場合。
タグを入れずに、同じ言葉を読み上げた場合。

言語

ほとんどのテキストは、自動検出で問題なく読み上げられます。英語以外のテキストでは、言語を明示的に選ぶと、発音がよくなることがあります。

  • Multilingual v2(29 言語):英語、日本語、中国語、ドイツ語、ヒンディー語、フランス語、韓国語、ポルトガル語、イタリア語、スペイン語。さらに、インドネシア語、オランダ語、トルコ語、フィリピン語、ポーランド語、スウェーデン語、ブルガリア語、ルーマニア語、アラビア語、チェコ語、ギリシャ語、フィンランド語、クロアチア語、マレー語、スロバキア語、デンマーク語、タミル語、ウクライナ語、ロシア語。
  • Turbo v2.5(32 言語):Multilingual v2 のすべての言語に加えて、ハンガリー語、ノルウェー語、ベトナム語。
  • v3、v4、v4 Turbo(46 言語):Turbo v2.5 のすべての言語に加えて、ヘブライ語、タイ語、ベンガル語、ウルドゥー語、ペルシア語、セルビア語、リトアニア語、ラトビア語、エストニア語、ジョージア語、アイスランド語、カタルーニャ語、アフリカーンス語、スワヒリ語。

クリップ間の連続性

ナレーションをクリップごとに作ると(たとえばショットごとに 1 つ)、カットのたびに抑揚が最初からやり直しになります。前のテキストと次のテキストで、これを解消できます。前のテキストにはこのクリップの直前に話されるセリフを、次のテキストには直後に話されるセリフを設定します。すると、クリップは前のクリップから自然に続き、次のクリップへつながります。モデルはこの文脈を読み取りますが読み上げず、クリップの長さも変わりません。

連続性のセクションは、文脈を使うモデルのときだけ、折りたたまれた状態で表示されます。対象は ElevenLabs v4、v4 Turbo、Turbo v2.5、Multilingual v2 です。ElevenLabs v3 は文脈を使わず、ノードを v3 に切り替えると両方のフィールドが消去されます。各フィールドは最大 1,000 文字です。それより長い前のテキストは末尾が、長い次のテキストは先頭が残ります。

どちらのフィールドにも、フィールドマッピングでほかのノードのテキストを渡せます。たとえば、前のショットのセリフを入れたテキストノードです。どちらも、公開したアプリのテキスト入力として公開できます。文脈を加えても、料金は変わりません。

クレジット

料金はテキストの長さで決まります。1 回の実行は、送るテキストの書き始めた 100 文字ごとに請求され、最低料金は 8 単位分です。

モデル書き始めた 100 文字あたりのクレジット
ElevenLabs v45
ElevenLabs v4 Turbo3
ElevenLabs v35
ElevenLabs Turbo v2.53
ElevenLabs Multilingual v25

Gemini のモデルは、同じ数え方で 1,000 文字あたりの料金です。書き始めた 100 文字ごとに数え、1 回の実行の最低料金は 8 単位分で、合計はクレジット単位に切り上げられます。1 文字あたりの料金は ElevenLabs のモデルよりずっと安くなります。最も安いのは Gemini 3.8 Flash-Lite TTS で、Gemini 3.8 Flash TTS、Gemini 3.1 Flash TTS、Gemini 2.5 Pro TTS の順に高くなります。3.8 のモデルでは、タグを書き換えた後の文字数を数えます。スタイル指示は数えられません。

数える文字は、前後のテキストを含めて、実際に送るテキストです。モデルの上限を超えた部分は数えず、Turbo v2.5 と Multilingual v2 では取り除くオーディオタグも数えません。正確な料金は、実行前にノードの実行ボタンに表示されます。テキストがほかのノードから届く場合、ボタンには最低料金からモデルの文字数の上限までの範囲が表示されます。

公開したアプリでは、ノード自身のテキストを入力として公開できます。アプリの入力一覧でノードを展開し、テキストにチェックを入れ、上限が必要なら最大文字数を入力します。するとアプリは、それより長いテキストを実行前に拒否し、アプリに表示される料金はその文字数分の料金になります。上限がない場合、アプリの料金はモデルの文字数の上限で計算されます。テキストのソースが接続されたノードからのとき、アプリのテキストは、接続されたテキストが空の場合にだけ使われます。

ヒント

  • 安定性は 0.5 付近にする:表現の豊かさと一貫性のバランスが取れます。均一に聞こえる必要のあるナレーションでは、1 に近づけます。
  • タグは効果を入れたい位置に置く:文の途中にタグを置くと、その位置から話し方が変わります。
  • 長い台本は分割する:ElevenLabs v3 は 1 回の実行で 5,000 文字、v4 は 10,000 文字までです。それより長い台本は複数のノードに分け、前のテキストと次のテキストで読み上げを途切れさせないようにするか、Turbo v2.5 に切り替えます。
  • 限られた予算での長いナレーションには Gemini のモデルを試す:最も安いのは Gemini 3.8 Flash-Lite TTS です。Gemini 3.1 Flash TTS と 2.5 Pro TTS は高くなりますが、話し方のスタイル、ペース、アクセント、オーディオプロフィールが加わります。モデル独自の一覧からボイスを選び、モデルが受け付けないタグの代わりに、読み上げ方をスタイル指示で説明してください。
  • 声をシーンになじませる:響きのない声を動画に重ねると、別の場所で録音したように聞こえることがあります。部屋(屋内)などのリバーブを設定したオーディオ FXに、声を通します。
  • 複数のクリップの音量をそろえる:ノーマライズをオンにした音量調整にクリップを通して、同じ音量で再生されるようにします。

トラブルシューティング

ボイスのエラーで実行が失敗する:そのボイスは、すでに存在しません。たとえば、ボイスライブラリから削除された場合です。別のボイスを選んで、ノードをもう一度実行してください。

長さが原因で実行が拒否される、またはテキストの最後が読み上げられない:テキストがモデルの上限より長くなっています。ワークフローの実行では、そのようなテキストはクレジットが請求される前に拒否され、メッセージに文字数と上限が表示されます。API へのリクエストでは、代わりにテキストが上限で切り捨てられます。テキストを分割するか、ElevenLabs Turbo v2.5 に切り替えてください。

かっこ内の言葉が読まれない、またはテキストの読み方が不自然:v2 のモデルでオーディオタグを使っています。v2 のモデルは、タグを取り除きます。モデルを ElevenLabs v4、v4 Turbo、v3 のいずれかに切り替えるか、タグを削除してください。

API から

POST /v1/text-to-speech で、同じノードをコードから実行できます。リクエストで provider を省略すると、Nodaro が長さに応じてモデルを選びます。10,000 文字以内のテキストは ElevenLabs v4 で、それより長いテキストは Turbo v2.5 で実行されるので、長いテキストが v4 の上限で切られることはありません。リクエストは、実際に実行されたモデルで請求されます。自分で設定した provider は、常にそのまま使われます。v3 の声を使い続けるには、elevenlabs-v3 を指定します。

リクエストは、連続性のための previousText と nextText を受け付けます。withTimestamps: true を付けると、完了したジョブの output_data.transcript に、すべての単語のタイミング(startMs と endMs を持つ words[])も入ります。追加のクレジットはかかりません。Gemini のモデルはタイミングを返さないので、このフラグを無視します。outputFormat では音声ファイルを選べます。mp3_44100_128(デフォルト)、より高いビットレートの MP3 である mp3_44100_192、非圧縮の 24 kHz WAV である wav_24000 のいずれかです。形式によってクレジットは変わりません。完了したジョブの audioUrl は、形式に合わせて .mp3 か .wav で終わります。ノードのファイルの設定でも、同じ選択ができます。Gemini のモデルは 24 kHz の WAV をレンダリングします。wav_24000 はそれをそのまま届け、MP3 の形式はそこからエンコードされます。範囲外の音声設定や、テキストとして送られた数値は、400 で拒否されます。

Gemini のモデルでは、リクエストは styleDirection、pace、accent、audioProfile も受け付けます(MCP の generate_speech では style_direction、pace、accent、audio_profile)。モデルが受け付けない値は、400 で拒否されます。モデルの一覧にないボイスは、何も請求される前に 400 で拒否され、ボイスを指定しないリクエストはモデルのデフォルトのボイスで実行されます。GET /v1/voices?model=<id>、SDK の voices.list({ model })、MCP の list_voices で、モデルのボイスを一覧できます。1 回限りのクローンは、provider: "gemini-3-8-flash-tts" を付けて replica: { sourceAudioUrl, consentAudioUrl, consent: true } として送ります。consent: true は、パネルのチェックボックスと同じ文を確認するもので、これがないクローンは 400 で拒否されます。どちらの録音も、何も請求される前に確認されます。

MCP ツールの generate_speech は、モデルが指定されていなければ ElevenLabs v4 で実行されます。受け付けるのは最大 10,000 文字で、選んだモデルの上限を超えるテキストは、切り捨てずに拒否します。ElevenLabs の形式(英数字 20 文字)の ID が不明なボイスを指している場合は、Rachel にフォールバックするので、アシスタントはそれでも音声を受け取れます。不明なボイス名は失敗し、存在しない library または custom のボイスも失敗します。REST API にはこのフォールバックはありません。不明なボイスを指定した POST /v1/text-to-speech のリクエストは失敗します。音声とメディアと MCP ツールを参照してください。

よくある質問

「テキストから音声」では、どのモデルを選べばよいですか?

まずはデフォルトの ElevenLabs v4 から始めてください。46 の言語を話し、感情や間の取り方を指定するオーディオタグに対応し、1 回の実行で最大 10,000 文字を受け付けます。タグを使ったナレーションを安く作るには ElevenLabs v4 Turbo を、とても長いテキストには Turbo v2.5 を、限られた予算での長いナレーションには Gemini のモデルを使います。

テキストは、どれくらいの長さまで入力できますか?

1 回の実行で読み上げられるのは、ElevenLabs v4、v4 Turbo、Multilingual v2 で最大 10,000 文字、v3 で最大 5,000 文字、Turbo v2.5 で最大 40,000 文字です。ワークフローの実行では、それより長いテキストはクレジットが請求される前に拒否されます。その前に、設定パネルに警告が表示されます。API では、長いテキストは上限で切り捨てられます。

ボイスに笑わせたり、ささやかせたり、間を取らせたりするには、どうすればよいですか?

ElevenLabs v4、v4 Turbo、v3 で、効果を入れたい位置に、角かっこで囲んだオーディオタグを書きます。たとえば「I can't believe it [laughs] that's amazing」(信じられない [laughs] すごい)のように書きます。v2 のモデルは、読み上げる前にオーディオタグを取り除きます。

テキストから音声の料金はいくらですか?

料金はテキストの長さで決まります。書き始めた 100 文字ごとに決まった数のクレジットがかかり、1 回の実行の最低料金は 8 単位分です。ElevenLabs v4 Turbo と Turbo v2.5 は、v4、v3、Multilingual v2 より 1 単位あたりの料金が安くなります。正確な料金は、実行前にノードに表示されます。

自分のボイスを使えますか?

すでに持っているカスタムボイスは、ボイスブラウザーの「マイボイス」に表示されます。Gemini 3.8 Flash TTS では、2 つの録音からクローンした自分の声で、1 回の実行だけ読み上げることもできます。クローンは保存されません。文章の説明から新しいボイスを作るには、ボイスデザインノードを使います。

選んだボイスが削除されていた場合は、どうなりますか?

実行は、内容のわかるエラーとともに失敗します。Nodaro が知らせずに別のボイスに差し替えることはないので、別のボイスを選んで、ノードをもう一度実行してください。

最終更新

目次