本記事にはアフィリエイトリンクを含みます。
私は、自然・歴史・宇宙・古文書などをテーマにした日本語ショート動画を運営しており、実際に6本の動画制作でElevenLabsを使ってきました。現在はCreatorプランに加入していて、別途、本人ボイス（Professional Voice Clone）の作成も進めています。
本記事では、料金プラン、無料版と有料版の商用利用条件、StarterとCreatorの違い、実際に使ったVoiceの使い分け、Eleven Multilingual v2とEleven v3で印象がどう変わったかまで、実際に触ってみた範囲でまとめます。Professional Voice Cloneはまだ作成準備中のため、今回は「準備段階の記録」として扱い、完成したような書き方はしません。
価格・プラン・規約・機能は変更される可能性があります。本記事は2026年7月15日時点の情報です。契約前には、必ず公式サイトで最新の条件を確認してください。
リンク先が英語表示でも、実際には日本語対応していて日本語音声は問題なく生成できる
ElevenLabsは、リンク先や一部の操作画面が英語で表示される場合があります。ただし、実際には公式で日本語言語の対応をしており、日本語の文章をそのまま入力して音声を生成できます。
私が日本語ショート動画で使用した範囲では、通常のナレーションでも実用的でした。特に、文章全体の聞き取りやすさ、自然な間、声の質感は強みだと感じています。
一方で、固有名詞、英数字、専門用語、独特な読み方をする言葉は、そのままでは意図と違う発音になる場合があります。その際は、ひらがなに置き換える、句読点を追加する、文章を短く分けるといった調整が必要です。
ElevenLabsを日本語動画で使った結論
先に結論を書きます。
- 日本語ナレーションとして、実用できるレベルだと感じています
- ただし、Voiceとモデルの選び方が仕上がりを大きく左右します
- 同じVoiceでも、モデルを変えると印象がかなり変わることがあります
- 無料版と有料版では、商用利用できる条件が違います
- 全員にCreatorプランが必要なわけではありません。用途によってはStarterで足ります
ElevenLabsとは
ElevenLabsは、テキストから音声を生成できるAI音声サービスです。Text to Speech（テキスト読み上げ）を中心に、Voice Library（音声ライブラリ）、Voice Cloning（声のクローン作成）、Sound Effects（効果音生成）などの機能があります。公式情報によれば、標準的なモデル（Multilingual v2）で29言語、より高速なモデル（Flash v2.5）で32言語に対応しており、日本語も含まれています。
この記事では、主に日本語の動画ナレーション用途に絞って扱います。
ElevenLabsの日本語音声は本当に自然か
結論から言うと、「かなりレベルの高い日本語で自然に聞こえるが、常に完璧というわけではない」というのが私の実感です。
落ち着いたナレーション調の文章では自然に聞こえますが、句読点の打ち方や文の長さによって間の取り方が不自然に感じられることもあります。同じ台本でも選ぶVoiceやモデルで差が出ますし、同じ設定での再生成でも毎回同じ結果になるとは限りません。
「AIっぽさが完全になくなる」とまでは言いませんが、丁寧に台本と設定を調整すれば、動画のナレーションとして十分使えるレベルには持っていける、という感覚を持っています。
ただし、紹介するV3に関しては抑揚も含めて、もう完璧でネイティブな日本語だと言っていいと思います！
実際に日本語ショート動画6本で使った感想
私が運営している日本語ショート動画では、自然・歴史・宇宙・古文書などを扱う短尺動画を制作しており、そのうち6本の動画制作で実際にElevenLabsを使用しました。
動画はシーン単位で分けて台本を作り、シーンごとに音声を生成しています。作品全体で聞いたときに声がバラバラな印象にならないよう、作品ごとにVoiceとモデルを決めて、なるべく統一するようにしています。
音声を生成しただけで動画が完成するわけではなく、映像のテンポやBGMとの音量バランスも調整が必要です。この記事では音声生成を中心に扱いますが、実際にはそのあとの調整にも時間がかかります。
用途に合わせてVoiceを使い分けた
ここからは、実際に使ったVoiceを用途別に紹介します。作品名やVoiceの固有名は公開していませんが、複数のVoiceを聞き比べ、動画のテーマに合わせて選んできた実感を書きます。あくまで私自身の使用感であり、参考程度に読んでください。
自然・歴史系に合う落ち着いたVoice
自然・歴史・地球科学を扱う動画では、落ち着きがありながら重くなりすぎないVoiceを選びました。孤島や洞窟、深海、極地といったテーマの動画で、複数の作品にわたって使っています。
このうち、地球科学をテーマにしたある作品では、全シーンを同じVoice・同じモデルで統一しました（詳しくは後述します）。落ち着きつつも重みのある話し方で、自然や地球科学系の題材と相性がいいと感じています。
古文書・知的ミステリー系に合うVoice
古文書や知的ミステリーを扱う動画では、それに合う落ち着いた知的な雰囲気のVoiceを使いました。
宇宙・映画的な映像に合う重厚なVoice
系外惑星を扱った宇宙系動画に合うVoiceとして使用・評価しました。スケール感のある宇宙・系外惑星の映像に、重厚感のある響きが向いていると感じました。
同じVoiceでもv2とv3で印象が変わった
ある作品の冒頭シーンで、同じVoice（自然・歴史系で使っているVoice）を使って、Eleven Multilingual v2とEleven v3を比較しました。
実際に聞き比べて確認できたのは、次のような変化です。
- 同じVoice名でも、モデルが変わると同じ声には聞こえない場合がある
- 声質の印象が変わる
- 話すテンポが変わる
- 間の取り方が変わる
- 抑揚が変わる
- 感情表現が変わる
最初は、Voice名が同じならモデルを変えても大きくは変わらないと思っていました。ただ、実際に同じVoiceでv2とv3を聞き比べると、同じ人の別テイクというより、話し方そのものが変わったように感じました。
作品内でv2とv3を混在させると、声の統一感が崩れる可能性があると考えています。1つのシーンだけモデルを変えると、そこだけ浮いた印象になりやすい、という感覚です。
ここで大事なのは、「Eleven v3のほうが常に優れている」という話ではない、という点です。今回のような映画的なショート動画ではEleven v3の話し方が合いましたが、安定した読み方や落ち着いた長文のナレーションでは、Eleven Multilingual v2のほうが扱いやすい場面もあると思います。同じVoiceと同じ台本で比較して選ぶのが、一番安全なやり方です。
同じVoice・同じ原稿でv2とv3を聴き比べ
文章だけでは違いが伝わりにくいため、同じVoice「Ishibashi」と同じ日本語原稿を使い、Eleven Multilingual v2とEleven v3で音声を生成しました。
Eleven v3では、今回1回の生成でTake 1とTake 2の2つの候補が出力されました。どちらか一方だけを選ばず、2つとも掲載します。
v2とv3のモデル差だけでなく、v3では同じVoice・同じ原稿・同じ生成操作でも、間の取り方や強調の仕方が変わることを確認できます。
比較ではAudio Tagsを使用していません。過度な演出を加えず、通常の日本語ナレーションに近い条件で生成しています。
今回の比較には、落ち着きのある自然な日本語ナレーションを作りやすいと感じたVoice「Ishibashi」を使用しました。
同じVoiceを使うことで、Voiceそのものの違いではなく、Eleven Multilingual v2とEleven v3による話し方の変化を比較しやすくしています。Voiceの公開状況、名称、利用条件は変更される可能性があります。
比較条件は次のとおりです。
- Voice：Ishibashi
- 原稿：3本とも同一
- v2：Eleven Multilingual v2
- v3：Eleven v3
- Audio Tags：未使用
- 生成時プラン：Creator
- v3：同時生成されたTake 1・Take 2を両方掲載
使用原稿は次のとおりです。
AI音声は、ただ文字を読み上げるだけではありません。話す速さや間の取り方、言葉の強弱によって、同じ文章でも印象は大きく変わります。今回は、ElevenLabsの2つのモデルで、同じ日本語を読み比べます。
Eleven Multilingual v2
Eleven Multilingual v2で生成した日本語音声
同じVoice「Ishibashi」と同じ原稿を、Eleven Multilingual v2で生成しました。Creatorプラン利用中に生成した音声です。
Eleven v3
Eleven v3で生成されたTake 1
Eleven v3で生成されたTake 2
同じVoice「Ishibashi」、同じ原稿、同じ生成操作から出力された2つの候補です。どちらもCreatorプラン利用中に生成しています。
私の環境では、Eleven Multilingual v2は、読み方や声質が比較的安定しており、一般的なナレーションへ使いやすいと感じました。
Eleven v3は、v2よりも言葉の強弱や間の取り方が変化しやすく、同じ原稿でも印象を持たせやすいと感じます。
さらに、v3のTake 1とTake 2を聴き比べると、同じVoice「Ishibashi」と同じ原稿でも、強調する言葉や話すテンポが完全に同じではありません。
そのため、v3では最初から1つの正解が出るというより、2つの候補を聴いて用途に合う方を選べる点が便利でした。
ただし、v3が常にv2より自然という意味ではありません。落ち着いた説明、読み方の安定性、長めのナレーションを重視する場合は、v2の方が使いやすいこともあります。
ElevenLabs公式ヘルプでは、Eleven v3は1回Generateするごとに2つの候補が出力され、クレジットは1回分として計算されると案内されています（公式ページ：Do I use quota on every generation?）。仕様は変更される可能性があるため、利用時には最新画面も確認してください。
実際にEleven v3を選んで生成した画面は、次のようになります。
同じ作品内で生成モデルを統一した理由
先ほどの冒頭のシーンでの比較の結果、Eleven v3版のほうが作品の雰囲気に合うと判断し、正式採用しました。その後の全シーンも、同じVoiceとEleven v3で統一しています。
判断の軸にしたのは、1シーンだけの完成度ではなく、作品を通して聞いたときの声の一貫性です。個々のシーンで見れば、v2のほうが良く聞こえる部分があったかもしれません。ただ、作品全体としての統一感を優先し、v3に揃えるという判断をしました。
前の章で書いたとおり、これは今回の作品での判断であり、すべての作品でv3が正解というわけではありません。
ElevenLabsの料金プラン
2026年7月15日時点で確認できた、主なプランは次のとおりです（ElevenLabs公式Pricingを2026年7月に確認）。
| プラン名 | 月額 | 月間クレジット | 商用ライセンス | Instant Voice Cloning | Professional Voice Cloning | 主な対象者 |
|---|---|---|---|---|---|---|
| Free | 0ドル | 10,000 | なし | 非対応 | 非対応 | 操作・日本語品質の確認 |
| Starter | 6ドル | 30,000 | あり | 対応 | 非対応 | 商用動画の音声生成を少量から |
| Creator | 22ドル（初月50%オフで11ドル表示） | 121,000 | あり | 対応 | 対応 | Professional Voice Cloneを使いたい人 |
| Pro | 99ドル | 600,000 | あり | 対応 | 対応 | 大量生成・高音質出力（44.1kHz／192kbps） |
無料プランでも、日本語音声の使い心地は十分確認できる
Freeプランには月10,000 creditsが含まれています。Web版のText to Speechでは、Multilingual v2とEleven v3は基本的に入力した1文字につき1 creditです。
そのため、100〜300文字程度の短い日本語ナレーションなら、Voiceやモデルを変えながら複数回試せます。契約前に、声質、話す間、読み方、v2とv3の違いを確認する用途としては十分な量です。
ただし、無料プラン中に生成した音声には商用ライセンスがありません。収益化する動画、広告、販売コンテンツ、アフィリエイト記事などで使用する完成音声は、有料プラン加入後に生成してください。
なお、実際の消費量は利用する機能・モデル・Voiceのcredit倍率等によって変わる場合があります。
Freeプランでは、声の年齢・性別・アクセント・話し方などを文章で指定し、新しいVoiceを生成するVoice Designを利用できます。ただし、自分の声を複製するVoice Cloning（Instant／Professional）は、Free非対応です。Voice CloningはStarter以上で使える、と覚えておくと分かりやすいと思います。
- Free：Voice Design
- Starter：Voice Design＋Instant Voice Cloning
- Creator以上：Voice Design＋Instant Voice Cloning＋Professional Voice Cloning
このほかに、より上位のScale・Business・Enterpriseプランもありますが、個人のクリエイター向けという記事の性質上、ここでは詳細を省略します。気になる方は公式の料金ページで確認してください。
どのプランを選ぶか
- 品質や操作感の確認：Free
- 商用動画のナレーションを少量から：Starter
- Professional Voice Cloneを作りたい：Creator
- 大量に生成したい、より高音質で出力したい：Pro以上
価格はすべて米ドル表示です。公式の表示価格には税金・課徴金・関税等は含まれておらず、日本円での実際の支払額は為替レートや税によって変わります。「初月50%オフ」のような割引表示やプラン内容も、時期によって変わる可能性があります。契約前には、必ず公式の料金ページで最新の条件を確認してください。
無料プランの音声は商用利用できるか
これは誤解しやすいポイントなので、公式情報をもとに整理します（公式ページ：Can I publish the content I generate on the platform?、2026年7月15日時点で確認したElevenLabs公式条件）。
- 有料契約中に生成したコンテンツは、商用利用できます
- 有料契約中に生成したコンテンツは、期限なく商用利用できます（ただし、必要な知的財産権を保有し、規約と法律を守っていることが前提です）
- 有料契約外（無料プラン等）で生成したコンテンツは、商用利用できません
- 有料契約外のコンテンツを非商用で公開する場合も、帰属表示（ElevenLabsを使用したことの明記）が必要です
- Beta Servicesで生成したコンテンツは、商用目的や本番環境では使えません
私自身、無料プラン中に生成した音声と、有料プラン中に生成した音声を分けて管理しています。実は、初期の動画5本はElevenLabsの無料プラン中に生成した音声を使用したもので、現時点では商用利用可能な正式素材として扱っていません。今すぐ削除・再投稿はしませんが、収益化を進める前に、有料プラン中に音声を再生成し、必要に応じて差し替える予定です。
ここで注意したいのは、「有料プランに加入したから、過去の無料プラン中の音声にもさかのぼって商用ライセンスが付く」わけではない、という点です。無料プラン中と有料プラン中の音声は、別々に扱う必要があります。
有料プラン解約後も生成済み音声を使えるか
こちらも公式情報で確認しました（公式ページ：What happens to my content after my subscription ends?、2026年7月15日時点で確認したElevenLabs公式条件）。
- 有料契約中に生成したコンテンツは、その後解約しても、商用ライセンスが維持されます
- 無料プランへ戻ったあとも、有料契約中に生成した過去のコンテンツは、引き続き商用利用できます
- ただし、生成したコンテンツがアカウント上に永久に保存され続ける保証はありません
- 完成した音声ファイルは、ElevenLabs側の保存に頼らず、自分のローカル環境にも保存しておくほうが安全です
「解約後も商用利用できる」のは、あくまで「有料契約中に生成した分について」という条件付きです。
StarterとCreatorはどちらがおすすめか
Starterが向いている人
- 商用動画のナレーションを少量から作りたい人
- 自分専用のProfessional Voice Cloneは今のところ必要ない人
- 月額をできるだけ抑えたい人
Creatorが向いている人
- Professional Voice Cloneを作りたい人
- Starterよりも多くの音声を生成したい人
私自身がCreatorプランを選んだのは、Professional Voice Clone（自分の声のクローン）を作りたいという目的があったからです。単純に日本語ナレーションを少量作りたいだけであれば、Starterでも十分だと思います。読者全員にCreatorが必要とは考えていません。自分の用途に照らして、必要な機能から逆算して選ぶのがいいと思います。
Instant Voice CloningとProfessional Voice Cloningの違い
ElevenLabsには、声を複製する機能が2種類あります（文章で声を指定して新しいVoiceを生成するVoice Designとは別の機能です。Voice DesignはFreeプランでも利用できますが、ここで扱うVoice Cloningは、自分自身の声を複製する機能で、Starter以上が必要です）。
Instant Voice Cloning（IVC）は、短い音声サンプルから比較的すぐに声を複製できる機能です。公式情報によれば、専用のAIモデルを一から訓練するのではなく既存の学習データから推測する仕組みで、処理はほぼ即時です。個性の強い声や、学習データに少ないアクセントでは精度が落ちる場合があります。
Professional Voice Cloning（PVC）は、より多くの音声データで専用のモデルを訓練する機能です。公式情報では「元の声とほぼ区別がつかない」レベルを目指すモデルとされ、Creatorプラン以上で利用できます。ファインチューニング（訓練）には3〜6時間程度かかるとされ、混雑状況によってはさらに時間がかかる場合もあります。
Instant Voice CloningはStarter以上、Professional Voice CloningはCreator以上で使えます。
Professional Voice Clone用に約60分収録する計画
ここからは、私がこれから取り組む予定のProfessional Voice Clone作成について、現時点の計画を書きます。まだ本収録は行っておらず、完成もしていません。 あくまで「計画」の段階として読んでください。
現在の収録計画は次のとおりです。
- 合計で約60分の高品質な音声を収録する予定です
- 一度に長時間収録すると集中力が落ちるため、15〜20分単位に分けて、間に休憩を入れる予定です
- 同じマイク、同じ部屋、同じ距離、同じ入力ゲインを保ち、無理に作った声ではなく、長時間安定して出せる自然な声を維持するつもりです
ElevenLabs公式が示す推奨最低ラインは30分ですが、最適な結果には2〜3時間に近い音声が推奨されています（公式ページ：Professional voice cloning）。長さだけでなく、単一話者であること、ノイズや反響が少ないこと、話し方の一貫性も重要とされ、複数時間分をアップロードする場合は約30分単位のファイルへ分けることが推奨されています。
私は初回の実践として、まず約60分の一貫した日本語音声を収録し、完成後の品質を見て追加録音を判断する予定です。約60分は公式の最低ラインではなく、品質と現実的な作業量を考えて決めた初回の計画で、長時間化そのものより音質と話し方の一貫性を優先しています。
PVCとEleven v3を混同しやすい理由
Professional Voice Cloneについて調べていると、「Voice」と「Model」の違いが分かりにくく感じることがあると思います。私自身、最初は整理できていませんでした。整理すると、次の4つの要素に分けられます。
- 台本：何を話すか
- Voice：誰の声で話すか（Professional Voice Cloneの場合は、自分の声質・響き・発音・アクセント・テンポ・抑揚・話し方の特徴を再現したVoiceになります）
- Model：どの生成モデルで話させるか（Eleven Multilingual v2、Eleven v3、Flash v2.5など。以降は「モデル」と表記します）
- Settings：速度、安定性、類似性などの生成時の設定（以降は「設定」と表記します）
Professional Voice Cloneは「誰の声か」を、Eleven v3は「どう話させるか」を決めるものです。つまり、同じ自分のProfessional Voice Cloneでも、使うモデルによってテンポや抑揚、感情表現、安定性が変わる可能性があります。「Professional Voice Cloneを作ればEleven v3専用の声が完成する」というのは誤解で、両者は別の軸にあります。
Voice Libraryへ公開できるVoice
ElevenLabsには、作成したVoiceを公開できるVoice Libraryという仕組みがあります。ただし、公式情報によれば、現在Voice Libraryへ共有できるのはProfessional Voice Cloneのみです。Instant Voice CloneやVoice Designで作成したVoiceは、Voice Libraryへ公開できません（公式ページ：Voice library）。
私は、これから作成するProfessional Voice Cloneを、将来的にVoice Libraryへ公開することを検討しています。1本の音声ファイルを販売するのではなく、「声そのもの」を公開するイメージです。
現在考えているコンセプトは、落ち着き・信頼感・映画的な重厚感を持つ日本人男性のネイティブボイスです。想定している主な用途は次のとおりです。
- ドキュメンタリー
- YouTube・教育ナレーション
- 企業向けナレーション
- ゲーム・キャラクターボイス
- 日本語アクセントを持つ英語音声
ただし、まだVoice Libraryへは公開していません。 審査に通過した、公開された、需要があった、使用実績が出た、収益が発生した、といった話は、今の時点では一切ありません。
ElevenLabsのメリット
実際に使ってみて感じているメリットは、次のとおりです。
- 日本語でも、ほぼ違和感のない自然な音声を作りやすい
- 用途に合わせてVoiceを選べる（詳しくは前述の使い分けを参照）
- モデルによって表現の方向性を変えられる
- シーン単位で音声を分けて生成するショート動画制作と、相性がいいと感じている
- 商用利用できる有料プランが用意されている
- 自分の声のProfessional Voice Cloneを作れる
ElevenLabsのデメリット・注意点
一方で、気になる点や注意しておきたい点もあります。
- 読み上げが全て完璧というわけではなく、固有名詞の読み間違いが起きることがある
- Voiceとモデルの組み合わせで印象が変わるため、選び直す手間がかかることがある（詳しくは前述）
- 料金が米ドル建てのため、為替や税金によって日本円での支払額が変わる
- Professional Voice Cloneを作るには、それなりに質の高い録音環境が必要
ElevenLabsがおすすめな人
- AI動画・ショート動画・YouTubeなどでナレーションを作っている人
- 自分でナレーションを収録する時間を減らしたい人
- 複数のVoiceを用途に応じて使い分けたい人
- 自分の声のVoice Cloneを作りたい人
ElevenLabsをおすすめしない人
- 完全に無料のまま商用利用したい人
- 毎回まったく同じ読み方を求める人
- 生成した音声の確認・修正や、利用規約の確認を一切したくない人
- 一度も試聴せず、自動生成だけで完成させたい人
登録から日本語音声を生成する基本的な流れ
大まかな流れは、次のとおりです（画面のUI名称は今後変更される可能性があります）。
- ElevenLabsへ登録する
- Text to Speechの画面を開く
- Voiceを選ぶ
- モデルを選ぶ
- 日本語の台本を入力する
- 設定（速度・安定性等）を確認する
- 音声を生成する
- 生成された音声を試聴する
- 必要であれば台本や設定を修正する
- 完成した音声をダウンロードする
- 生成時のプラン・Voice・モデル・日付を記録しておく
11番目の「記録しておく」は地味ですが、あとで「どの音声をどのプラン・Voice・モデルで作ったか」を追いたいときに役立ちます。私自身、無料プラン中と有料プラン中の音声を分けて管理する上でも、この記録が助けになっています。
まとめ
- 日本語の動画ナレーションとして、実用できる場面が多いと感じています
- ただし、Voiceとモデルの選び方が仕上がりを左右します
- 同じVoiceでも、モデルを変えると印象がかなり変わることがあります
- 少量の商用動画なら、まずはStarterで十分な場合が多いと思います
- Professional Voice Cloneを作りたいなら、Creator以上が候補になります
- まずはFreeプランで、日本語の品質や操作感を確認してみる、という選択肢もあります
- 契約する前には、必ず最新の公式条件を確認してください
ElevenLabsを本格的に使い始める前に、複数のAI音声生成サービスを実際に試しました。
その中で、音声の自然さや技術力だけでなく、操作の分かりやすさと「人間とテクノロジーのコミュニケーションをシームレスにする」という考え方に惹かれ、ElevenLabsを選びました。
これから、さまざまなVoiceやProfessional Voice Cloneを実際に試しながら、用途ごとの違いや感じたことを紹介していきます。
ElevenLabs and the ElevenLabs logo are registered trademarks or trademarks of ElevenLabs, Inc. Used with permission. マナスタッシュGG is not sponsored by, endorsed by, or affiliated with ElevenLabs except as an independent participant in the ElevenLabs Creator Affiliate Program.