ElevenLabs v4が出たので、v3・v4・v4 Turboをn8nで聴き比べました
v4が公開されたので、さっそく試しました
ElevenLabsは2026年9月28日に、Eleven v4とEleven v4 Turboを公開しました。私は教材のナレーション制作にElevenLabsを使っています。さっそく、これまで使っていたv3と比べることにしました。
この記事では、同じ原稿をv3・v4・v4 Turboの3つのモデルで音声にして、聴き比べた結果をまとめます。
公式が示すモデルの使い分け
公式の説明によると、v4は品質を最優先にしたモデルで、コンテンツ制作、オーディオブック、キャラクターボイスなどに向いています。v4 Turboは高い品質を保ちながら低遅延を実現しており、会話エージェントなどリアルタイム用途向けです。
Turboの推論遅延は中央値で約100ms、最初の音声が出るまでは約150msとされています。一方で、表現の幅は両モデルで同じで、どちらもProfessional Voice Cloneに対応しています。つまり公式の説明では、2つの違いは音質ではなく用途にあります。
v3から変わる点として、次の2つが挙げられます。
SSMLのbreakタグは無効になり、間や話し方は自然言語のオーディオタグで指定します。
StyleとSpeedのスライダーは使えなくなりました。
対応言語も広がっています。70言語から90言語以上になり、品質の向上は日本語で特に大きいと報じられています。ただし、これは公式ではなく報道による情報です。
比較の進め方
比較に使ったのは、小中高生向けのセキュリティ教材のナレーション原稿です。実際の教材で使う文章をそのまま使い、条件を揃えて比較しました。
n8nのワークフローは、次の構成です。
手動実行で、原稿と声（ベルリスの声）を設定します。
同じ原稿と声で、v3・v4・v4 Turboの3つのAPI呼び出しを並列で実行します。
3つの呼び出しで違うのはmodel_idだけです。出力形式（mp3・44.1kHz・128kbps）と言語指定（日本語）も共通にしました。
返ってきた音声をmp3として取り出し、再生時間も記録します。
v4とTurboが、これまでと同じ単一音声のエンドポイントでそのまま使えるかは、事前には分かっていませんでした。特にTurboは、公式ドキュメントではWebSocket経由の説明が中心でした。まず同じエンドポイントで試したところ、3モデルとも音声を生成できました。
原稿は、次の5パターンです。
抑揚なし：タグを入れない原稿
抑揚あり：感情タグを入れた原稿
引用＋問いかけ
説明文
箇条書き＋締めくくり
比較①：抑揚なし・抑揚あり
抑揚なし
タグを入れない原稿です。
皆さん、コンビニや駅の前で「Free Wi-Fi」に接続したことはありますか？そのとき、
それが本当にそのお店が用意したものかどうか、確認したことはあるでしょうか。
画面を見ただけでは、本物か偽物かはわかりません。
「無料だから安全」という思い込みが、実は大きな落とし穴になります。
今日は「タダより怖いものはない」という視点で、
無料サービスの見えない裏側を一緒に考えていきましょう。v3は、タグがなくても聞き取りやすい音声でした。v4は、v3とあまり変わらない印象です。v4 Turboは、話し始めにノイズが乗っていました。それ以外はv3とあまり変わらないと感じました。
抑揚あり
感情タグを入れた原稿です。
[curious] 皆さん、コンビニや駅の前で「Free Wi-Fi」に接続したことはありますか？
そのとき、それが本当にそのお店が用意したものかどうか、確認したことはあるでしょうか。
[thoughtful] 画面を見ただけでは、本物か偽物かはわかりません。
「無料だから安全」という思い込みが、実は大きな落とし穴になります。
[seriously] 今日は「タダより怖いものはない」という視点で、
無料サービスの見えない裏側を一緒に考えていきましょう。v3は、「無料だから〜」の部分が少しくどく聞こえました。それ以外は聞きやすい仕上がりです。v4は、全体を通して聞きやすい抑揚でした。v4 Turboは、ここでも話し始めのノイズが気になりました。
ここまでの印象
タグのない素の読みでは、3つのモデルの差は小さいと感じました。タグを付けると、v4の抑揚が自然に聞こえました。ただ、まだ小さな差です。
引用や専門用語、箇条書きが入る、実際の教材原稿ではどうなるのか。次の章から、残りの3パターンの結果をまとめます。
実際の音声は有料エリアに掲載しています。
比較②：引用＋問いかけ
[curious]→[seriously]→[warmly] の3つのタグを連ねたパターンです。
v3は、話し始めが少しくどく聞こえました。v4は、話し始めがv3より聞きやすく、後半に大きな差はありませんでした。v4 Turboは、ノイズ以外はv3と大きくは変わらない印象でした。
比較③：専門用語
[thoughtful]→[seriously]→[warmly] のタグを使ったパターンです。このパターンでは、v3の弱点がはっきり出ました。
v3は「漏えい」を「もええ」と発話しました。「公衆WiFi中」のイントネーションもおかしく、抑揚の変化があまり感じられませんでした。
v4は「漏えい」を正しく発話できました。「公衆WiFi中」はv3と似た結果で、完璧ではありません。抑揚は、seriouslyからwarmlyへの変化が分かりました。
v4 Turboも「漏えい」を正しく発話できました。「漏えい」を読めなかったのは、v3だけです。
「公衆WiFi中」は、3つのモデルで完璧には読めませんでした。「公衆WiFi」という名詞に「中」が続く組み合わせを、AIがうまく解釈できなかったのではないかと考えています。これは私の推測で、確かめてはいません。
比較④：箇条書き＋締めくくり
[warmly]→[seriously]→[warmly] のタグを使ったパターンで、差が最も大きかったのはここです。
v3は、イントネーションのおかしい箇所がいくつかありました。丸数字はうまく読めず、まったく違う単語になっていました。「情報モラル」のイントネーションもおかしく聞こえました。
v4は、箇条書きの読み方と間の取り方が自然でした。丸数字も正しく発音でき、v3でおかしかったイントネーションも改善されていました。
v4 Turboも、丸数字を正しく読めました。丸数字を読めなかったのは、v3だけです。
再生時間の比較
各パターンの再生時間（秒、v3 / v4 / v4 Turboの順）です。再生時間は、APIが返す文字ごとの終了時刻の最後の値を使っています。
抑揚なし：28 / 29 / 30
抑揚あり：32 / 29 / 29
引用＋問いかけ：35 / 35 / 34
専門用語：32 / 32 / 31
箇条書き＋締めくくり：43 / 40 / 41
3つのモデルの差は、最大でも3秒でした。パターンによる違いは、原稿の長さによるものです。
v4とTurboの評価
今回の原稿では、v4とTurboの聴こえ方に大きな違いは感じませんでした。公式も、2つの表現の幅は同じだと説明しています。「漏えい」と丸数字は、v4とTurboのどちらも正しく読めました。
違いが出たのは、話し始めのノイズです。Turboで生成したファイルにだけ少しノイズが乗っていて、v3とv4には出ませんでした。ノイズがなければ、v4とTurboのどちらを選んでも良いと感じました。
結論：スライド教材にはv4を選びます
理由は、ノイズがあるかどうかの1点です。
ナレーションでは、冒頭の印象が教材全体の印象になります。話し始めのノイズは、聞き手にあまり良い印象を与えません。
Turboの強みである低遅延は、事前に一括で生成する教材ナレーションでは活きません。公式が想定しているのも、リアルタイムの会話用途です。音質が同じで、ノイズがあり、強みも活きないので、v4を選びます。
v3と比べると、v4では「漏えい」や丸数字の読みが改善されていました。v3からの乗り換えとしても、v4で問題ありません。
残った課題
v4でも、「公衆WiFi中」の発話は完璧ではありませんでした。「名詞＋中」の組み合わせが原因ではないかと考えていますが、確かめられていません。
Turboのノイズは、今回の環境（n8nのAPI呼び出し、mp3の44.1kHz/128kbps）での結果です。原因がモデルにあるのか、出力形式や設定にあるのかは、切り分けられていません。
ここから先の有料エリアでは、残り3パターン（引用＋問いかけ、専門用語、箇条書き＋締めくくり）の原稿と、3つのモデルで生成した音声を並べています。文章で紹介した違いを、実際の音声で確かめられます。
ここまでお読み頂きありがとうございました。下記のご挨拶記事もよろしければご覧ください。
