---
title: "ElevenLabsの日本語設定と読み補正｜モデル3種の違いと自然に読ませるコツ【2026年9月】"
url: "https://www.issoh.co.jp/tech/details/8861/"
published: 2025-09-17
updated: 2026-09-26
categories: ["AI"]
publisher: "株式会社一創"
---
# ElevenLabsの日本語設定と読み補正｜モデル3種の違いと自然に読ませるコツ【2026年9月】
**ElevenLabs（イレブンラボ）**は日本語の読み上げに対応しており、主要3モデル（Eleven v3・Eleven Multilingual v2・Eleven Flash v2.5）のどれでも日本語の音声を作れます。日本語で使う際は、言語の判定方法、声の学習言語、読みを補正するAPI設定を確認する必要があります。具体的には、Web画面には「日本語」を選ぶ設定がなく本文から言語が自動判定されること、最初から入っている既製ボイスはすべて英語話者であること、APIには日本語だけに効く正規化パラメータがあること、などです。本記事では2026年9月26日時点の[公式ドキュメント](https://elevenlabs.io/docs/overview/models)とヘルプセンターをもとに、日本語での設定方法、モデルと声の選び方、漢字や固有名詞の読み間違いを直す手順を整理します。
## まとめ：ElevenLabsを日本語で使うときの要点
- 日本語はEleven v3・Multilingual v2・Flash v2.5の3モデルすべてが対応。表現力はv3、長文の安定性はMultilingual v2、低遅延はFlash v2.5が担う
- Web画面では言語を指定できず、入力した文章から自動判定される。日本語と英語を1回の入力に混ぜると判定が揺れる
- APIでは `language_code` に `ja` を渡して言語を固定できる（Multilingual v2は非対応）。`apply_language_text_normalization` は現在日本語だけに対応する読み補正で、遅延が大きく増える場合がある
- 既製ボイスはすべて英語話者なので、日本語では英語なまりが出ることがある。Voice Libraryの言語フィルターで日本語に絞り、候補を日本語の原稿で試聴して選ぶのが第一の対策
- 読み間違いの直し方は、ひらがな・カタカナで書く、発音辞書のaliasで置き換える、v3でIPAを指定する、の3段階。SSMLのphonemeタグは日本語では使えない
- 間の取り方はモデルで異なり、v2系は `` で最大3秒、v3はbreakタグ非対応で句読点・三点リーダー・オーディオタグで調整する
料金プラン、無料プランの商用利用の条件、会社の概要は[ElevenLabs（イレブンラボ）とは？料金6プランと無料版の商用制限・使い方【2026年9月】](/tech/details/10883/)にまとめています。以下は日本語で使う場面に絞った解説です。
## ElevenLabsの日本語対応状況：主要3モデルの違い
ElevenLabsの読み上げ（Text to Speech）で現在の主力となるモデルは3つあり、いずれも対応言語に日本語が入っています。違いが出るのは、1回に読ませられる字数、応答の速さ、読み補正の手段です。
| モデル（model\_id） | 対応言語数 | 1回の上限 | 遅延の目安 | 向く用途 |
| ----------------------------------------- | ----- | ------- | ----- | -------------- |
| Eleven v3（eleven\_v3） | 70以上 | 5,000字 | 非公表 | 感情のあるナレーション・台詞 |
| Multilingual v2（eleven\_multilingual\_v2） | 29 | 10,000字 | 非公表 | 長文の解説・マニュアル |
| Flash v2.5（eleven\_flash\_v2\_5） | 32 | 40,000字 | 約75ms | 音声エージェント・即時応答 |
出典は[ElevenLabs公式のModelsページ](https://elevenlabs.io/docs/overview/models)です。遅延の約75msはアプリケーションとネットワークの遅延を除いた値です。リアルタイム向けには別に Eleven v3 Conversational（約280ms）があり、v3の表現力を会話で使うためのモデルです。旧来の Turbo v2.5 は非推奨で、公式はFlash系への移行を勧めています。
日本語で差が出るのは数字と記号の読み方です。公式のベストプラクティスは、同じ「$1,000,000」をMultilingual v2は「one million dollars」と読み、Flash v2.5は「one thousand thousand dollars」と読む例を挙げ、Flash v2.5は小さいモデルなので数字の読み方を一般化できないと説明しています。Flash v2.5の正規化については、Modelsページが「既定で無効・有効化はEnterprise限定」とする一方、Best practicesページは全TTSモデルで既定有効と説明しています。公式資料間で記述が異なるため、利用プランでのAPIの挙動を確認してください。数字・日付・金額が多い日本語原稿をFlash v2.5で読ませるなら、原稿の側で読みに直しておく前提で選んでください。
もう1つの注意は、Eleven v3が1回5,000字までという点です。公式の表では5,000字を「約5分」としていますが、換算の基準言語は明記されていません。日本語の原稿が実際に何分の音声になるかは声と話し方で変わるので、最初に数百字を生成して長さを測り、そこから分割の単位を決めます。長い原稿は段落の切れ目で分けて生成し、つなぎ目の抑揚を試聴で確かめます。
## ElevenLabsを日本語に設定する方法：Web画面とAPIの違い
「日本語に設定する場所が見つからない」という疑問は、仕様どおりの挙動です。ElevenLabsの読み上げは、画面で言語を選ぶのではなく、入力した文章の言語をAIが判定する作りになっています。
### Web画面の言語設定：入力文からの自動判定
公式ヘルプ「[How do I select the language and accent?](https://elevenlabs.io/docs/help-center/product/core-capabilities/text-to-speech/how-do-i-select-the-language-and-accent)」は、Webサイトで生成する場合は文章の文脈から言語を自動検出し、現時点でWebサイトでは言語を指定できないと明記しています。同じヘルプは、1回の入力に複数の言語を混ぜるとどの言語で読むかの判定が乱れるので避けるよう勧めています。
日本語で実際に困るのは、英単語や数字だけの短い行です。「API」「2026」だけの行は日本語の文脈が乏しく、英語として読まれることがあります。見出しや箇条書きを1行ずつ生成するより、前後の日本語の文と一緒に入力するほうが判定は安定します。英単語を読ませたい音のカタカナに書き換えると、言語判定や読みの揺れを抑える対策になります。書き換え後も生成音声を確認してください。
### APIの日本語設定：language\_codeによる言語固定と日本語専用の正規化
APIでは、[Create speech（POST /v1/text-to-speech/{voice\_id}）](https://elevenlabs.io/docs/api-reference/text-to-speech/convert)のリクエストで言語を固定できます。以下のcurl例では、環境変数ELEVENLABS\_API\_KEYにAPIキーを設定し、を利用可能なボイスIDに置き換えます。無料プランではVoice Libraryの声をAPIから使えないため、APIで利用できる声を選んでください。日本語に関係するパラメータは次の2つです。
- `language_code`：ISO 639-1の言語コード（日本語は `ja`）。モデルと正規化の言語を固定する。モデルが対応しない言語コードは無視され、Multilingual v2では使えない
- `apply_language_text_normalization`：言語別の正規化で発音を整える真偽値（既定はfalse）。APIリファレンスには「現在は日本語のみ対応」「リクエストの遅延が大きく増えることがある」と警告付きで書かれている
数字や記号の読みを整える `apply_text_normalization`（auto／on／off、既定はauto）とは別のパラメータです。日本語の読みを整えたいAPI利用者は、このパラメータの有無で発音と応答時間を比較してください。ただし遅延が大きく増える場合があるため、電話応答では有効化前後の応答時間を測り、許容範囲を超えるなら使わない判断が必要です。ナレーションの事前生成では、読みの改善を優先して試せます。
```
curl -X POST "https://api.elevenlabs.io/v1/text-to-speech/?output_format=mp3_44100_128" \
-H "xi-api-key: $ELEVENLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"text": "本日の会議は午後3時に開始します。",
"model_id": "eleven_flash_v2_5",
"language_code": "ja",
"apply_language_text_normalization": true
}' \
--output speech.mp3
```
APIリファレンスは `apply_language_text_normalization` がどのモデルで効くかを明記していません。モデルを変えたときは、同じ原稿を正規化のあり・なしで生成して聞き比べ、効果と遅延の増え方を確かめてから本番に入れてください。
### 画面の表示言語は読み上げの言語と別の設定
公式サイトには日本語版（elevenlabs.io/ja）があり、製品ページは日本語で読めます。ただし、画面の表示言語を何にしても、読み上げの言語は上のとおり本文で決まります。表示を日本語にしても英語の文章は英語で読まれ、英語表示のままでも日本語の文章は日本語で読まれます。
## 日本語に合う声の選び方：既製ボイスは英語話者
日本語の発音やなまりを調整するときは、声（ボイス）がどの言語の音声に基づいているかを確認してください。公式ヘルプ「[Which voices in the voice library are native to a specific language?](https://elevenlabs.io/docs/help-center/product/core-capabilities/text-to-speech/which-voices-in-the-voice-library-are-native-to-a-specific-language)」は、既製ボイス（pre-made）と生成ボイスを英語と説明しています。ただし、現行のVoice Designガイドでは生成時に言語を指定する手順が案内されており、この説明を現在の生成ボイスすべてに当てはめることはできません。どの声でも日本語は話せますが、ヘルプはアクセントは声から来るため、その言語で学習していない声では元の言語のなまりが残ったり、なまりが揺れたりすると説明しています。日本語のなまりが気になる場合は、声の学習言語が原因の一つとして考えられます。Voice Designで新しい声を作る場合は、公式ガイドの推奨どおりプロンプトの最初の文で言語を明示します（例：「Native Japanese.」から書き始める）。言語を書かないと、別の言語の話し方へ流れることがあります。
日本語話者の声を探すには、左のサイドバーのVoicesからExploreを開き、Voice Libraryの言語フィルターを「Japanese」にします。アクセントのフィルターは言語を選んだ後に使えるようになります。Voice LibraryのProfessionalカテゴリには、ユーザーが自分の声から作ったProfessional Voice Clone（PVC）が共有されており、公式ヘルプによれば多くの声にクローン時の言語を示すタグが付いています。日本語の言語フィルターには、日本語で学習した声に加えて、複数言語で良好に発話すると評価された声も表示されます。候補を日本語の原稿で試聴し、発音となまりを確認してください。
Eleven v3を使う場合は、声の選び方がさらに重要です。公式ベストプラクティスは、v3で最も重要なパラメータは声の選択だとしたうえで、PVCはまだv3向けに十分最適化されておらず、v3の機能を使うならInstant Voice Clone（IVC）かVoice Designで作った声が望ましいとしています。v3向けに選んだ声の公式コレクションも用意されています。日本語のv3では、Voice Libraryで日本語に絞り込んだ声を候補にしつつ、v3で試聴して抑揚が崩れないかを確かめるのが確実です。
日本語の声をクローンすることもできます。他人の声は、本人の同意を得たうえでInstant Voice Clone（IVC）として作れます。Professional Voice Clone（PVC）は同意があっても自分の声しか作れず、作成前に本人確認があります（[公式のPVCガイド](https://elevenlabs.io/docs/eleven-creative/voices/voice-cloning/professional-voice-cloning)）。公式ヘルプは、Flash v2.5とMultilingual v2が対応する言語ならどの言語でもクローンでき、日本語もその範囲に入ると答えています。クローンで使える機能とプランの条件は[ElevenLabsの総合解説記事](/tech/details/10883/)で扱っています。
## 日本語の読み間違いを直す方法：ひらがな化・発音辞書・IPA指定
日本語でつまずくのは、同じ漢字に複数の読みがある語（「行った」をいったと読むか、おこなったと読むか）と、固有名詞・専門用語です。直し方は手間の少ない順に3段階あります。SSMLの `phoneme` タグは、公式ヘルプとベストプラクティスで英語専用モデルのFlash v2だけの機能とされており、日本語の読み補正には使えません。
### 全モデル共通の読み補正：ひらがな・カタカナへの書き換え
最も確実なのは、原稿の段階で読みどおりに書くことです。公式ヘルプ「[Why are numbers, dates, symbols and acronyms not properly pronounced…?](https://elevenlabs.io/docs/help-center/product/core-capabilities/text-to-speech/why-are-numbers-dates-symbols-and-acronyms-not-properly-pronounced-or-spoken-in-the-correct-language)」も、数字・略語・日付・記号は読ませたい形で言葉として書き出すことを最良の方法として挙げています。日本語では次の書き換えが効きます。
- 読みが分かれる漢字：「行った」を「おこなった」、「今日」を「こんにち」のようにひらがなで書く
- 難読の地名・人名・社名：ひらがな・カタカナで書く（例：「御徒町」を「おかちまち」）
- 英字の略語：読ませたい音をカタカナで書く（「API」を「エーピーアイ」）
- 数字と単位：「3個」を「さんこ」、「2026年」を「にせんにじゅうろくねん」
公式ヘルプは、AIは綴りの誤りを直さず書かれたとおりに読もうとする、とも書いています。誤字があるとそのまま誤読になるので、書き換えの前に原稿の校正を済ませておきます。
### 発音辞書のalias：固有名詞の読み替え
同じ固有名詞が何十回も出る長い原稿や、毎週作る番組では、原稿を1語ずつ書き換えるより発音辞書（pronunciation dictionary）が効率的です。辞書は「探す語（grapheme）」と「置き換え先」の組をPLS形式またはTXTで登録するもので、Studio・Dubbing Studio・APIで使えます。置き換え先の指定にはphoneme（発音記号）とalias（別の表記）の2種類があり、日本語で扱いやすいのはaliasです。
```
御徒町
おかちまち
AWS
エーダブリューエス
```
運用で押さえる仕様は3つです。検索は大文字と小文字を区別するので、「aws」と「AWS」は別々に登録します。辞書は先頭から照合され、最初に一致した置き換えだけが使われます。APIでは1リクエストに辞書を3つまで指定できます（`pronunciation_dictionary_locators`）。「行った」のように文脈で読みが変わる語を辞書に入れると、すべての出現箇所が同じ読みになるので、辞書に入れるのは読みが1つに決まる固有名詞だけにします。
### Eleven v3のIPA指定：発音記号による読み補正
aliasでも直らない発音は、Eleven v3の国際音声記号（IPA）指定を使います。v3は本文中にスラッシュで囲んだIPAを書くと、70以上の言語で発音を指示できます。発音辞書のphonemeも、英語以外の言語で使えるのはv3だけです（[公式の発音辞書ガイド](https://elevenlabs.io/docs/eleven-api/guides/how-to/text-to-speech/pronunciation-dictionaries)）。
ただし、公式ドキュメント自身がv3のIPAの一貫性を「80〜90%で、100%ではない」と書いています。同じIPAでも出力が変わることがあり、声によってIPAの解釈も少しずつ違います。日本語話者の多くはIPAに慣れていないため、実務ではひらがな化とaliasで大半を片づけ、それでも残る数語だけにIPAを使うのが現実的な配分です。
## 日本語の間・速度・感情を調整する方法
読みが正しくても、間の取り方や速さが合わないと日本語は機械的に聞こえます。調整の手段はモデルによって違います。
### 間の取り方：v2系はbreakタグ、v3は句読点とタグ
Multilingual v2とFlash v2.5では、`` のようにbreakタグで最大3秒の間を入れられます。公式は、1回の生成にbreakタグを入れすぎると不安定になり、読み上げが速くなったり雑音が入ったりすることがあると注意しています。Eleven v3はbreakタグに対応していないため、三点リーダー（…）や句読点、文の組み立てで間を作ります。
日本語の原稿では、読点が間の取り方に影響しますが、必ずその位置で息継ぎが入るとは限りません。一文が長いと抑揚が平板になりやすいので、読点が続く長い文は句点で2文に分けると聞き取りやすくなります。逆に、読点が多すぎると細切れに聞こえるので、間を詰めたい箇所は読点を減らします。
### 速度と安定性：speedは0.7〜1.2、v3は3段階のStability
Multilingual v2とFlash v2.5では、速さを声の設定の `speed` で変えます。既定は1.0で、下限0.7・上限1.2の範囲で指定でき、公式は極端な値は品質に影響しうるとしています。公式の[Text to Speechの製品ガイド](https://elevenlabs.io/docs/eleven-creative/playground/text-to-speech)によると、Eleven v3ではspeed・Similarity・Speaker Boostの3項目が使えず、速さもオーディオタグで指示します。APIの既定値は `stability` 0.5、`similarity_boost` 0.75、`style` 0で、stabilityを下げると感情の幅が広がり、上げると単調になります。
Web画面のEleven v3のStabilityには、Creative・Natural・Robustの3段階があります。Creativeは感情豊かだが言い間違い（ハルシネーション）が起きやすく、Naturalは元の声に最も近い中間、Robustは安定するがオーディオタグなどの指示に反応しにくくなります。日本語の解説ナレーションで読み飛ばしや言い間違いが出るなら、CreativeからNaturalへ上げるのが最初の対処です。
### Eleven v3のオーディオタグ：日本語原稿での英語タグの指定
Eleven v3では、角括弧で囲んだオーディオタグで感情や話し方を指示できます。公式のベストプラクティスに載っている主なタグは次のとおりで、タグ自体は英語で書き、日本語の文の前に置きます。
- 声・感情：\[laughs\]、\[whispers\]、\[sighs\]、\[sarcastic\]、\[curious\]、\[excited\]、\[crying\]
- 効果音：\[applause\]、\[clapping\]、\[gunshot\]、\[explosion\]、\[gulps\]
- 実験的：\[strong X accent\]（Xになまりの種類）、\[sings\]
たとえば「\[whispers\] ここだけの話ですが、来週発表があります。」と書くと、ささやき声を指示できます。公式は、タグの効き方は選んだ声と学習音声に左右され、ささやき声の声に \[shout\] を付けても叫ばせることはできないと注意しています。実験的タグは声による差がさらに大きいので、本番前に試聴で確認してください。Web画面の「Enhance」ボタンを押すと、LLMが文章に合うタグを自動で挿入します。タグの付け方を覚える前に、まずEnhanceの出力を見て、どのタグがどこに入るかを確かめるのが早道です。
## 日本語でElevenLabsを使わないほうがよい場面
ElevenLabsの日本語は、感情のあるナレーションや台詞では有力な選択肢です。一方で、次の条件に当てはまる案件では、ほかの音声合成を先に検討すべきです。
1つ目は、固有名詞の読みを1語も間違えられない定型の読み上げです。ElevenLabsには日本語の読みを仮名とアクセントで直接指定する記法がなく、aliasで表記を置き換えるか、一貫性80〜90%のIPAに頼ることになります。社内用語が多い案内放送や自治体のお知らせのように、決まった読みを毎回確実に再現したいなら、SSMLの発音カナで読みとアクセントを指定できるAmazon Pollyのほうが運用しやすくなります（[Amazon Pollyとは？日本語音声の制約と4エンジンの料金・実装手順【2026年版】](/tech/details/15911/)）。
2つ目は、数字の多い応答を低遅延で返す必要があり、数字の読みを整える前処理や事前の品質確認を組み込めない音声エージェントです。Flash v2.5では数字の読みを事前に確認する必要があります。通常の正規化の既定動作とプラン制限は公式資料間で記述が異なり、日本語専用の正規化には遅延が大きく増える場合があるという警告があります。この用途では、LLMの出力段階やアプリ側の前処理で数字を読みに直し、読みの正確さと応答時間を確認します。
3つ目は、音声データを社外のクラウドに出せない案件です。この場合は手元で動かせるオープンソースのTTSが候補になります。方式の選び方は[音声合成AIの作り方｜OSS TTS・クラウドAPI・受託開発の方式選定と実装手順](/tech/details/15361/)で比較しています。
## よくある質問
### ElevenLabsの日本語は無料で使えますか？
使えます。無料プラン（Free）でも日本語の読み上げは利用でき、月10,000クレジットが付きます。Web画面での読み上げは通常1文字1クレジットなので、全枠を通常料金の読み上げに使う場合は日本語で約1万字分です。ただし、一部の共有ボイスにはクレジット消費の倍率が設定されています。ただし無料プランには商用ライセンスがなく、無料プランで生成した音声を非商用で公開する場合は、公開コンテンツのタイトルに「elevenlabs.io」または「11.ai」を含める必要があります。
### 日本語で一番自然なモデルはどれですか？
公式が示すモデル特性では、感情表現を重視するならEleven v3、長文の安定性を重視するならMultilingual v2が候補です。ただし声の学習言語も発音やなまりに影響するため、モデルだけで自然さを判断しないでください。Voice Libraryで日本語に絞り込んだ声を選んでからモデルを比べてください。
### ElevenLabsを日本語に設定するにはどうすればいいですか？
Web画面には言語を選ぶ設定はなく、日本語の文章を入力すれば日本語で読まれます。APIでは `language_code` に `ja` を指定すると言語を固定できます（Multilingual v2は非対応）。
### ElevenLabsのタグ一覧はどこで確認できますか？
[公式ドキュメントのベストプラクティス](https://elevenlabs.io/docs/overview/capabilities/text-to-speech/best-practices)内「Prompting Eleven v3」の Audio tags の節に、声・感情、効果音、実験的タグの一覧があります。タグはEleven v3専用で、Multilingual v2やFlash v2.5では使えません。
### 日本語でボイスクローンはできますか？
できます。公式ヘルプは、Flash v2.5とMultilingual v2が対応する言語であればどの言語でも声をクローンできるとしており、日本語も含まれます。他人の声をInstant Voice Cloningでクローンするには、必要な権利と本人の同意が必要です。Professional Voice Cloningは本人の声だけが対象で、許可があっても他人の声を自分のアカウントで作成することはできません。
## 関連記事
- [ElevenLabs（イレブンラボ）とは？料金6プランと無料版の商用制限・使い方【2026年9月】](/tech/details/10883/)
- [Amazon Pollyとは？日本語音声の制約と4エンジンの料金・実装手順【2026年版】](/tech/details/15911/)
- [音声合成AIの作り方｜OSS TTS・クラウドAPI・受託開発の方式選定と実装手順](/tech/details/15361/)
- [Irodori-TTSとは？v4.1の使い方・絵文字一覧・商用利用とv3からの変更点](/tech/details/12221/)
- [GPT-SoVITSとは？使い方・日本語音声クローン・インストール手順を解説【2026年版】](/tech/details/10320/)
---
出典: [ElevenLabsの日本語設定と読み補正｜モデル3種の違いと自然に読ませるコツ【2026年9月】]()（株式会社一創）