ElevenLabs、音声クローニングの高速化と言語サポートの拡大を実現するv4音声モデルを発表

ElevenLabsは月曜日、2つの新しい音声モデル「ElevenLabs v4」と「v4 Turbo」を発表した。これらのモデルは、音声表現をより細かく制御できるほか、音声エージェントのレイテンシを低減し、90以上の言語に対応する。

新アーキテクチャと高速化された音声クローニング

昨年v3モデルをリリースし、今年初めにワルシャワで開催されたイベントで後継モデルを披露したElevenLabsは、v4世代向けの新しいアーキテクチャを導入した。刷新された設計により、さらに精密な制御と高速な音声クローニングが可能になり、わずか10秒間の音声から声を再現できる。

表現力と文脈理解の向上

クリエイティブ用途では、v4は長い文章でも声の一貫性をより安定して維持する。また、読み上げ時に文章の文脈を考慮し、より適切に表現を変化させることができる。

ElevenLabsはv3でインライン表現タグを導入した。v4ではこの機能が拡張され、複数のタグを組み合わせると、モデルがその順序に従って音声を生成できるようになった。

90以上の言語をサポート

従来モデルが対応していた言語は70言語だったが、v4では90以上に拡大した。ElevenLabsによると、品質が特に大きく向上したのは日本語、ブラジルポルトガル語、中国語（標準語）、広東語だという。

法人向け音声エージェントのレイテンシを低減

ElevenLabsは過去1年間で法人向け通話事業を急速に拡大しており、現在では大企業が事業全体の55%以上を占めている。同社によると、v4はレイテンシの低減によって、よりスムーズで自然な会話を実現できるため、音声エージェントに特に適しているという。

このモデルは、基盤となる大規模言語モデルが回答の生成を開始すると同時に、音声の生成を開始できる。また、対立、問題の深刻化、保留といった状況に応じて異なる対応が可能で、より効果的な問題解決を支援する。

競争が激化する音声AI市場

Cartesia、Deepgram、Fish Audio、Boson、WellSaid Labsなどのスタートアップが、より表現力豊かなシステムを開発する中、音声モデル市場の競争は激化している。GoogleやOpenAIなどの大手テクノロジー企業も、音声モデルの改良を続けている。

資金調達、収益成長、事業拡大

ElevenLabsは今年初め、Sequoiaが主導する資金調達ラウンドで5億ドルを調達し、企業評価額は110億ドルに達した。その後、評価額を2倍の220億ドルに引き上げる可能性がある追加の資金調達ラウンドについてのうわさも浮上している。

同社の年間経常収益は、年初の約3億3,000万ドルから6億ドル超に増加した。ElevenLabsはインド、欧州、ブラジルなどの市場でも積極的に採用を進めており、従業員数は800人を超えている。

IPOの可能性

共同創業者兼CEOのMati Staniszewski氏は最近、ElevenLabsが「今後数年以内」の新規株式公開を目指していると述べたが、具体的な時期については明らかにしなかった。