ElevenLabsでできることと向かないこと

ElevenLabsは「AIナレーションを作るservice」として知られていますが、2026年現在は音声production platformへかなり広がっています。

現在はText to Speech、Speech to Text、Voice Cloning、Voice Design、Voice Changer、Dubbing、Sound Effects、Music、Voice Agentsなどを一つのplatformで扱えます。

日本語も主要機能で対応しています。

ただし、すべてを一つのcredit poolで使うため、用途によってcostが大きく変わります。

できることを先に整理

ElevenLabsでできることは、

• 日本語narration生成

• 自分のvoice clone

• 別voiceへのvoice conversion

• audio / videoの多言語dubbing

• transcription

• sound effect生成

• music生成

• realtime voice agent

です。

YouTube、podcast、e-learning、game、app voiceなど幅広く使えます。

日本語Text to Speech

ElevenLabsのmultilingual modelは日本語をサポートしています。

Text to Speechでは、日本語textをvoiceへ変換できます。

voice選びでは、accent、age impression、speaking style、emotion、speedがoutputへ影響します。

日本語対応だからといって、すべてのvoiceが同じ自然さになるわけではありません。

長文narrationでは実際のscriptで試します。

Voice Cloning

ElevenLabsにはInstant Voice CloningとProfessional Voice Cloningがあります。

Instantは短いsampleから素早く作る方式。

Professional Voice Cloningは長いtraining audioを使い、より高いfidelityを狙う方式です。

Professional Voice Cloningも日本語に対応しています。

本人のvoiceをcloneする場合はconsent / ownershipを確認します。

Voice Changer

Voice Changerは、元のperformanceを保ちながら別voiceへ変換する機能です。

Text to Speechと違い、cadence、laugh、whisper、emotion、speaking rhythm等をsource performanceから引き継げます。

日本語を含むmultilingual modelにも対応しています。

収録済みの演技を別character voiceへ変える用途に向いています。

Dubbing

Dubbing v2は90+ languagesへ対応し、日本語も含まれます。

audio / videoを別言語へ翻訳しながら、speaker identity、tone、timing、background audioを維持するworkflowです。

YouTube、podcast、training video等のlocalizationに使えます。

ただしDubbing Studioはmaintenance modeで、現在はAutomatic Dubbing v2が中心です。

高度なtranscript editing / regenerationはplanやAPI条件を確認します。

Speech to Text

Scribe v2は90+ languagesのspeech recognitionに対応しています。

現在はword-level timestamps、speaker diarization、keyterm prompting、entity detection、realtime transcription等を提供しています。

日本語audioから字幕やtranscriptを作る用途にも使えます。

ただしmeeting managementはOtter / tl;dvのような専用meeting assistantとは目的が違います。

Sound Effects

text promptから効果音を生成できます。

たとえばfootsteps、room ambience、impact、whoosh、sci-fi sound、loopable ambience等を作れます。

最大30秒のeffect生成に対応し、loopingも使えます。

動画素材用のFoleyやambient soundを用意する用途に向いています。

Music

Eleven Musicではfull song、instrumental、vocal、multilingual lyrics、section editingを扱えます。

日本語lyricsにも対応しています。

film、TV、podcast、social media、advertising、gameなど広いcommercial useを想定したmusic modelです。

Suno代替としても比較できます。

Voice Agent

ElevenLabsはvoice agent platformも提供しています。

Speech Engineでは、speech-to-text → 自社LLM → text-to-speechをWebSocketでつなぎ、会話型agentへvoiceを付けられます。

call center、AI receptionist、voice assistant等のdeveloper useに向いています。

向かないこと1：動画編集そのもの

ElevenLabsはaudio productionが中心です。

video dubbingはできますが、cut編集、color correction、motion graphics、timeline editingを行うvideo editorではありません。

Premiere、CapCut、Descript等と組み合わせるworkflowになります。

まずは使ってみる

記事の文脈に合うToolへ進めます。報酬の有無で見た目は変えていません。

• 

  ElevenLabs

  広告：AIものさしはElevenLabsの独立したアフィリエイトです。この紹介リンクを通じて報酬を受け取る場合があります。ElevenLabsで日本語音声を作ってみるTool詳細を見る

一部のリンクにはアフィリエイトリンクを含みます。おすすめ順位や判定結果には影響しません。

向かないこと2：meeting knowledge management

Speech to Textは強力ですが、meeting archive、CRM sync、cross-meeting searchを中心にするならOtter / tl;dv / Fireflies等の方が用途に合う場合があります。

speech recognitionとmeeting productivityは別categoryです。

向かないこと3：Freeで商用voiceを本番運用

Freeは月10,000 creditsです。

Starterは$6 / monthでCommercial LicenseとInstant Voice Cloningが追加されます。

commercial YouTube、広告、client workではplan条件を確認します。

Freeはquality / workflow確認に使い、本番はcommercial licenseがあるplanを選ぶ方が安全です。

Credit poolと作業量の見積もり

ElevenLabs creditsは複数productで共有され、機能とmodelによって消費量が変わります。現在の公開目安と使い方別の試算は、この後の料金セクションにまとめます。

単純な「月のcredits ÷ 生成分数」では、TTS文字数や言語ごとのDubbing、再生成を見落とします。

日本語音声を作る前に決めること

日本語対応の有無だけでは、用途に合うかは決まりません。まず出力先を選び、必要な作業だけを使います。

表は横にスクロールできます

作りたいもの	主に見る機能	先に決める入力	公開前の検査
解説動画のナレーション	Text to Speech	読み、固有名詞、話速、段落	読み間違い、数字・英字、息継ぎ位置
自分の声を使う音声	Voice Cloning / Voice Changer	本人の同意、録音品質、用途	本人確認・使用許諾、公開範囲、誤認を招かない表示
海外向け動画	Dubbing	原文、話者数、対象言語	固有名詞、字幕との一致、話者の割当、翻訳の意味
会議や取材の文字起こし	Speech to Text	音源品質、話者分離の要否	人名、数字、専門語、話者境界を音源と照合
動画用の効果音	Sound Effects	場面、長さ、ループ要否	音量差、ループ継ぎ目、権利・用途条件
アプリ内の会話音声	Voice Agents / API	想定会話、応答遅延、失敗時のfallback	無音、割り込み、誤認識、有人切替の動作

ElevenLabs公式はText to Speechの対応言語に日本語を含め、Speech to Textの言語一覧にもJapaneseを掲載しています。Dubbingは90以上の言語を案内し、日本語も対象です。ただし、同じ「日本語対応」でも、音声合成・認識・翻訳は別の機能とmodelです。Voice cloneの日本語出力や声質は、利用するclone・model条件を個別に確認し、公式のlanguage listとサンプル条件を見てから判断します。

料金を作業量へ換算する

公式Pricingページの2026年10月7日確認時点では、Freeは月10,000 credits、Starterは月30,000 creditsなどのplan例が掲載され、creditは複数productで共有されています。ページ上の目安は、TTSが文字数/modelに応じて概ね1 credit/文字、Speech to Textが330 credits/分、Musicが900 credits/分、Sound Effectsが1 generationあたり200 credits、Voice Changerが1,000 credits/分です。自動Dubbingはwatermark有無で2,000または3,000 credits/分と案内されています。価格・quota・model条件は変わるため、契約直前には自分のworkspaceのPricingと生成前のcost表示を優先します。

見積もりは「月に何分使うか」だけで終えず、次の式で試算します。

月間想定credits = 1回の平均消費 × 月の生成回数 + 修正・再生成分

例として、3分の動画を日本語TTSで作る場合は、まず台本の文字数と利用modelの単価を確認します。字幕起こしも行うなら、音声分数にSTT目安を足し、Dubbingするなら対象言語ごとに費用を見ます。再生成は毎回無料と決めつけず、画面に表示される生成前costとアカウントusageで差分を見ます。月末までのcredit残量と必要本数が合わなければ、planを上げる前に原稿を整えて再生成回数を減らせるか確認します。

Free tierのDubbingは自動watermarkが付くと公式Dubbing docsが説明しています。またDubbing v2ではtranscript編集やaudio regenerationの一部がEnterprise/API条件です。商用公開を予定している場合は、plan名だけで判断せず、watermark、利用許諾、修正権限、対象機能の利用条件を個別に確認してください。

AIものさしの判断

ElevenLabsが向いているのは、voiceを中心に、narration・clone・dubbing・transcription・musicまで一つのaudio platformで扱いたい人です。

日本語にも広く対応しています。

一方、video編集やmeeting managementそのものを置き換えるserviceではありません。

本番運用では、用途ごとのcredit消費とcommercial licenseを確認するのが重要です。