ElevenLabs日本語の棒読みを直す方法｜v3の抑揚設定とタグ活用

ElevenLabsの日本語が棒読みになるときは、①モデルがEleven v3以外になっている、②Stability（安定性）が「Robust」寄りになっている、③原稿に抑揚の手がかりがない——この3点を順に直すだけで、多くのケースは改善します。2026年2月に正式提供が始まったEleven v3はAudio Tagsで感情を文中から指示できるようになった一方、設定の組み合わせ次第では以前より平板に聞こえることもあります。この記事では「設定」「原稿」「読み方指定」の3段階で抑揚を取り戻す手順を、公式仕様にもとづいて整理します。

なお、音声そのものの作り方や声のクローン手順から確認したい場合は、ElevenLabsの使い方と日本語音声クローンの手順を先に読むと、この記事の設定変更がどの画面での話かを把握しやすくなります。

ElevenLabsの日本語が棒読みになる3つの原因

棒読みは「AIの性能が足りない」ことより、設定と原稿の作り方で起きているケースが大半です。まずは原因を切り分けます。

原因1：モデルがEleven v3になっていない

Eleven v3は対応言語が70以上に広がり、日本語（jpn）も正式対象です（ElevenLabs公式のモデル一覧）。旧世代のMultilingual v2やFlash系のままだと、日本語のイントネーションは平板になりやすく、後述するAudio Tagsも解釈されません。生成画面のモデル選択が意図した世代になっているか、最初に確認してください。既存のプロジェクトを複製して使い回していると、モデル指定だけ古いまま残ることがよくあります。

原因2：Stabilityが「Robust」に寄っている

v3のStabilityは数値スライダーではなく、Creative／Natural／Robustの3モードです。公式のベストプラクティスでは、Robustは一貫性が高い代わりに演出の指示への反応が弱く、v2に近い挙動になるとされています（ElevenLabs公式のベストプラクティス）。長尺で声質をブレさせたくない案件でRobustを選び、そのまま感情表現も求めてしまうのが典型的な失敗です。抑揚が欲しい場面ではNatural、さらに起伏を付けたい場面ではCreativeが基本になります。

原因3：原稿に抑揚の手がかりがない

句読点も改行もない長い一文を渡すと、どこで区切るべきかの情報がないため、一定のリズムで読み流されます。日本語は英語より文の区切りが読み手に委ねられる部分が大きく、原稿の書き方が出力に直接影響します。「設定を変えたのに変わらない」と感じるときは、原稿側に手がかりが足りていないことが多いです。

抑揚を取り戻す最短手順（設定編）

原因の切り分けができたら、影響が大きい順に設定を変えます。1回の生成ごとにクレジットを消費するため、変更は1つずつ行うのが結果的に早道です。

手順1：モデルをEleven v3に切り替える

まずモデルをv3に変更し、同じ原稿でもう一度生成します。ここで自然さが目に見えて変わる場合、原因の大半はモデル選択でした。この段階では他の設定は触らず、モデル変更の効果だけを確認します。

手順2：StabilityをNaturalに、必要ならCreativeに

次にStabilityをNaturalへ。ナレーションであればNaturalで十分なことが多く、キャラクターの掛け合いや広告のような起伏が必要な場面だけCreativeに上げます。ただしCreativeは表現力が上がる一方で意図しない発話（ハルシネーション）が出やすいと公式に明記されているため、納品物では生成後の試聴を必ず挟んでください。

手順3：同じ原稿で3パターンを聴き比べる

Robust／Natural／Creativeを同一原稿で1本ずつ作り、聴き比べて基準を決めます。案件ごとに毎回迷わなくなるうえ、クライアントに「なぜこの設定か」を説明できる材料にもなります。この3本ぶんのクレジットは、後の作り直しを減らす投資と考えると回収しやすい支出です。

Audio Tagsで感情と「間」をコントロールする

v3の目玉は、原稿の中に角かっこのタグを書き込んで演出を指示できるAudio Tagsです。棒読み対策として最も直接的に効く機能です。

よく使うタグと効き方

• 感情・話し方：[excited][curious][sarcastic][whispers]など。文の直前に置いた分だけトーンが変わります。
• 非言語音：[laughs][sighs]など。相づちや息づかいが入り、機械的な印象が薄れます。
• アクセント指定：[strong X accent]の形式。声の学習データ次第で効き方が変わるため、実験的に使う機能です。

タグは声のキャラクターと矛盾しない範囲で効きます。落ち着いたナレーション声に[excited]を大量に付けても期待どおりにはならないため、演出を大きく変えたいときは声そのものを選び直すほうが早いです。

v3にSSMLのbreakタグはない——「間」は記号で作る

見落とされやすいのが、v3ではSSMLのbreakタグが使えない点です。公式は代わりに三点リーダー（…）で間と強調を作り、大文字化で強勢を、改行と句読点でリズムを整える方法を挙げています。日本語では読点と改行を意図的に増やし、間を置きたい箇所に「……」を入れるのが実用的な代替になります。タグで感情を、記号で間を作る、と役割を分けて考えると原稿を組み立てやすくなります。

タグが効かないときのチェック

タグを書いたのに反応しない場合、確認する順番は「モデルがv3か」→「StabilityがRobustになっていないか」→「タグの表記が半角の角かっこか」の3つです。全角の［］や日本語の説明文をタグの中に混ぜると、指示ではなく読み上げ対象のテキストとして扱われることがあります。

固有名詞・カタカナの読み間違いを直す

抑揚とは別に、日本語では固有名詞や社名の読みが崩れると一気に不自然になります。ここは設定ではなく「読み方の登録」で解決します。

alias（別表記）で読みを固定する

発音辞書のalias（別表記）ルールは、読み違えられる語を狙った読みになる別のつづりへ置き換える仕組みで、すべてのモデルで利用できます（ElevenLabs公式の発音辞書ガイド）。日本語では、漢字の社名をカタカナ表記に置き換えるだけで直ることが多く、最初に試す価値があります。

v3ならIPAでの音素指定も使える

音素（phoneme）タグはeleven_flash_v2とeleven_v3で利用でき、英語以外の言語でIPAやCMU表記を使いたい場合はv3に切り替える必要があると公式に記載されています。aliasで狙った読みにならない専門用語は、v3＋IPAで直接指定するのが確実です。案件で繰り返し出る用語は辞書に登録しておくと、次回以降の作り直しがなくなります。

独自採点：4つの対処法の「効きやすさ」

効果と手間の比が良いのは上の2つです。原稿の作り込みや辞書登録から始めると、労力の割に改善を実感しにくくなります。

やり直しのコストを試算する（無料枠と料金）

棒読みの調整は試行回数が増えがちなので、クレジットの消費感を先に把握しておくと落ち着いて詰められます。

2026年7月時点の料金とクレジット

※ElevenLabs公式の料金ページより。商用利用の権利はStarter以上、プロ品質のボイスクローンはCreator以上に含まれます。無料枠で作った音声を仕事で使うことはできない点に注意してください。

独自試算：3分のナレーションを5回作り直すと

日本語で3分ぶんの原稿を約1,300文字と見積もると、1文字1クレジット換算で1回の生成が約1,300クレジット。設定を変えながら5回作り直せば約6,500クレジットです。Freeの10,000クレジットでは3分の原稿を7回強しか試せず、設定の詰めと本番用の生成を同じ月にやると足りなくなります。Starter（$6・30,000）なら同じ3分素材を20回以上試せるため、抑揚を追い込む工程がある案件では最初から有料プランのほうが作業が止まりません。

逆説的アドバイス：棒読みは「原稿側」で8割決まる

設定を触り続けるより、原稿を音読して読みにくい箇所を書き換えるほうが効くことが多いです。一文を40〜60字に割る、体言止めを減らす、間を置きたい場所に「……」を入れる——この3つだけで印象は変わります。タグは万能ではなく、あくまで読みやすい原稿に演出を足す機能だと捉えると、無駄な生成回数を減らせます。

よくある失敗例：クローン音声のまま設定を疑い続ける

自分の声を複製したプロフェッショナルボイスクローンを使っている場合、公式のベストプラクティスにはv3では以前のモデルに比べて性能が出にくいという注記があります。設定をいくら変えても平板なままなら、いったん標準の日本語ボイスに差し替えて比較してください。原因が声の側にあると分かれば、設定の試行に使うクレジットを節約できます。自分の声で作ること自体を目的にする場合は、自分の声でAI音声合成できるツールの比較で他の選択肢も見ておくと判断しやすくなります。

まとめ：モデル→Stability→原稿の順に直す

ElevenLabsの日本語が棒読みになる問題は、原因を切り分ければ設定変更だけで解決することが多いです。要点は次の4つです。

• まずモデルがEleven v3か確認する。旧モデルではAudio Tagsも解釈されない。
• StabilityはRobustを避け、Naturalを基準に、起伏が必要なときだけCreativeへ。
• 感情はAudio Tags、間は三点リーダーと改行で作る。v3にSSMLのbreakタグはない。
• 固有名詞の読みは発音辞書のaliasで固定し、専門用語はv3＋IPAで指定する。

そのうえで、抑揚の仕上がりは原稿の読みやすさに大きく左右されます。生成を繰り返す前に一度原稿を音読し、区切りと間を書き込んでから設定を詰めると、消費クレジットも作業時間も抑えられます。動画のナレーションとして使う場合は、Runway Gen-4の使い方で映像側の制作フローも押さえておくと、音と映像の尺合わせで手戻りしにくくなります。