ツール最新情報
2026年10月15日—Instant Soundtracksが追加されました
こんにちは、Hodaです！
ElevenLabsが2026年10月に、新しいリアルタイム音声AIモデル「Eleven Realtime」を発表しました。
Eleven Realtime は、ユーザーの声を聞いて内容を理解し、その場でAIが考えて音声で返答する「音声エージェント」を構築するためのSpeech to Speechモデルです。
名前だけを見ると「ElevenLabsの音声生成が高速になった機能？」と思うかもしれませんが、実際にはもっと大きなアップデートです。
音声認識、会話のターン判定、LLM、音声生成までを1つのシステムとして最適化しているのがEleven Realtimeの大きな特徴です。
つまり、
ユーザーが話す → AIが聞く → 内容を理解する → 必要ならツールを使う → AIが自然な声で回答する
というリアルタイム音声AIを、以前より簡単に作れるようになりました。
Eleven Realtimeとは？
Eleven Realtimeは、ElevenLabsが提供するリアルタイム音声エージェント向けのモデルシリーズです。
従来、自然なAI音声エージェントを作ろうとすると、複数の技術を組み合わせる必要がありました。
例えば、
- Speech to Textによる音声認識
- VAD（Voice Activity Detection）による発話検出
- ユーザーが話し終わったかを判断するターンテイキング
- 質問に回答するLLM
- Text to Speechによる音声生成
などです。
それぞれ個別にモデルを選択して設定することもできますが、「AIが返事を始めるのが遅い」「ユーザーの発言に被せて話してしまう」「途中で割り込まれたときに不自然になる」といった問題も起こります。
Eleven Realtimeでは、これらを最初から音声会話用の1つのシステムとして最適化しています。
Eleven Realtimeで何ができる？
具体的には、Eleven Realtimeを使うことで次のようなAIを作れます。
AIとリアルタイムで音声会話できる
最も基本的な使い方が、ChatGPTの音声会話のようなリアルタイムAIアシスタントです。
ユーザーがマイクに向かって話すと、その音声を理解してAIが音声で回答します。
単純に「質問→回答」を繰り返すだけではなく、
- 短い相づち
- 会話の間
- ユーザーからの割り込み
- 素早い会話のキャッチボール
なども考慮されています。
そのため、従来の「音声を録音して送信→文字起こし→AI回答→音声生成」という仕組みよりも、人間同士の会話に近い体験を作りやすくなっています。
AI家庭教師や語学学習サービスを作れる
ElevenLabsがv1 Miniの代表的な用途として挙げているのがAI Tutorです。
例えば英会話サービスなら、
「今日は旅行先で使う英会話を練習したい」
とAIに話しかけると、AI講師とそのまま英語で会話できます。
さらに、
- 発音練習
- 質問への回答
- ロールプレイ
- 子ども向け学習
- 面接練習
- プレゼン練習
などにも応用できます。
Eleven Realtimeは90以上の言語に対応しているため、日本語を含む多言語サービスにも利用できます。
ゲームやアプリのAIキャラクターを作れる
ゲームやアプリのキャラクターと、その場で会話する仕組みにも利用できます。
例えばユーザーが、
「この街で武器を買える場所は？」
とNPCに質問すると、そのキャラクターが設定や世界観に沿って音声で回答するといった使い方です。
ElevenLabsには17,000種類以上の音声ライブラリがあり、Realtimeモデルでもこれらの音声を利用できます。
そのため「AIっぽい同じ声」だけではなく、サービスやキャラクターに合わせた音声を選択できます。
AIカスタマーサポートを作れる
Eleven Realtime v1 Maxは、より複雑な業務を行うカスタマーサポートにも向いています。
例えば、
「注文した商品がまだ届かない」
という問い合わせを受けた場合、
- ユーザーから注文番号を聞く
- 注文管理システムを検索する
- 配送状況を確認する
- ユーザーに状況を説明する
といった処理を、会話しながら進められます。
単に質問に回答するだけではなく、Tool Callingを使って外部サービスから情報を取得したり、何らかの操作を実行したりできるのがポイントです。
見込み客のヒアリングを自動化できる
営業分野では、Lead Qualificationにも利用できます。
例えばAIが電話やWeb上で、
「どのようなサービスをお探しですか？」
「会社の規模はどのくらいですか？」
「導入時期はいつ頃を予定していますか？」
と質問し、回答に応じて次の質問を変えていくことができます。
条件を満たした見込み客だけ営業担当者へ引き継ぐ、といった仕組みも考えられます。
電話やWebサイト、WhatsAppでも利用できる
ElevenAgentsから利用する場合は、作成したAIエージェントを複数のチャネルへ展開できます。
例えば、
- Webサイト
- 電話
- コンタクトセンター
- Webウィジェット
などです。
さらにElevenAgents側では、ナレッジベース、Guardrails、テスト、モニタリングなども利用できます。
そのため、実際のカスタマーサポートや電話対応まで含めて構築したい場合には、Realtime APIを直接利用するよりもElevenAgentsから始める方が簡単です。
Eleven Realtime v1 Miniとv1 Maxの違い
Eleven Realtimeには、現在2種類のモデルがあります。
| モデル | Eleven Realtime v1 Mini | Eleven Realtime v1 Max |
|---|---|---|
| 特徴 | 高速で自然な会話 | 高精度・複雑な処理 |
| 向いている用途 | AIアシスタント、教師、キャラクター | カスタマーサポート、営業、業務処理 |
| コスト | 安い | Miniより高い |
| Tool Calling | 対応 | より強い |
| 複雑な推論 | 一般的な会話向け | 強い |
| 会話の自然さ | 非常に高い | 高い |
基本的には、まずv1 Miniから試すとよいでしょう。
ElevenLabs自身も、ほとんどの一般的な用途ではMiniで十分としています。
一方、
- 複雑な指示を理解させたい
- 何段階もの処理を実行したい
- 外部ツールを頻繁に利用する
- 正確性が重要なカスタマーサポート
といった用途ではv1 Maxが向いています。
MiniとMaxの性能を比較
ElevenLabsが公開しているベンチマークでは、モデルごとの得意分野がかなり分かりやすく現れています。
| 項目 | v1 Mini | v1 Max |
|---|---|---|
| Time to First Audio | 620ms | 570ms |
| Big Bench Audio | 75.9% | 98.8% |
| Full-Duplex-Bench | 95.8% | 94.1% |
| Speech Agent Arena Elo | 988 | 998 |
| Tool Use Task Success | 60.3% | 87.1% |
面白いのは、会話そのものの自然さではMiniも非常に強いという点です。
Full-Duplex-Benchは、会話の間、割り込み、ターンテイキング、相づちなどを評価するベンチマークですが、Miniは95.8%を記録しています。
一方で、音声による推論能力を測るBig Bench Audioでは、Maxが98.8%、Miniが75.9%となっています。
さらにTool Callingを利用するタスクの成功率も、
- Mini：60.3%
- Max：87.1%
と大きな差があります。
つまり、
自然に会話するならMini、仕事をさせるならMax
と考えると分かりやすいです。
ElevenAgentsならモデルを選ぶだけ
Eleven Realtimeを最も簡単に利用する方法がElevenAgentsです。
従来のCustomモードでは、
- LLM
- Speech to Text
- Text to Speech
- 推論設定
などを個別に設定できます。
一方、Realtimeモードでは「Eleven Realtime v1 Mini」または「Eleven Realtime v1 Max」を選択すると、主要な音声AI部分をElevenLabs側が管理します。
一方で、
- System Prompt
- 最初のメッセージ
- 音声
- 言語
- Tools
- Knowledge Base
- 会話フロー
- 割り込み設定
などは引き続き設定できます。
つまり、細かなAIモデルの組み合わせを考える必要が減り、エージェントに何をさせるかという部分に集中しやすくなっています。
OpenAI Realtime APIと互換性がある
開発者にとってかなり大きな特徴が、OpenAI Realtime APIとの互換性です。
Eleven RealtimeはOpenAI Realtime APIと同じイベント構造とWebSocket方式を採用しています。
そのため、すでにOpenAI Realtime APIを使ったアプリを開発している場合、SDK自体を別のものへ書き換える必要はありません。
基本的には、
- 接続先エンドポイント
- 使用するモデル
などをElevenLabs向けに変更することで利用できます。
例えばモデルには、
eleven_realtime_v1_mini
または、
eleven_realtime_v1_max
を指定します。
OpenAIのRealtime SDKを利用しながら、音声処理部分をElevenLabsへ切り替えることができるわけです。
これは、すでにOpenAI Realtime APIを使って音声アプリを作っている開発者にとって、かなり試しやすい設計だと思います。
Realtime APIはWebSocket接続
注意したいのが接続方式です。
Eleven Realtime APIは、リリース時点ではWebSocketのみに対応しています。
そのため、OpenAI Realtime APIをWebRTCで利用しているアプリの場合は、そのまま接続先だけ変更することはできず、WebSocketへの変更が必要です。
また、ブラウザから接続する場合には、ElevenLabsのAPIキーを直接フロントエンドへ埋め込むのではなく、バックエンドで短時間のみ有効なClient Secretを発行して利用する仕組みが用意されています。
Realtime APIとElevenAgentsは別物
ここも少し分かりにくいポイントです。
Eleven Realtimeは、
ElevenAgentsから使う方法
と、
Realtime APIを直接使う方法
の2種類があります。
ただし、Realtime APIから接続した場合にElevenAgentsのすべての機能が使えるわけではありません。
例えば、
- 電話
- ナレッジベース
- Guardrails
- テスト
- モニタリング
- コンタクトセンター連携
などを利用したい場合には、最初からElevenAgentsを利用する方が適しています。
一方、自分のWebアプリやサービスの中へ音声AIを直接組み込みたい開発者にはRealtime APIが向いています。
Scribe v2 Realtimeとは何が違う？
ElevenLabsには「Scribe v2 Realtime」というサービスもあるため、名前だけ見ると少し混乱するかもしれません。
Scribe v2 Realtimeは、リアルタイムで音声を文字に変換するSpeech to Textモデルです。
例えば、
「こんにちは」 → 「こんにちは」というテキストをリアルタイムで取得
する用途です。
一方、Eleven Realtimeは、
「こんにちは」→ 内容を理解 → AIが回答を考える →「こんにちは！今日は何をしましょうか？」と音声で返答
するところまで含んでいます。
| サービス | 主な役割 |
|---|---|
| Scribe v2 Realtime | 音声をリアルタイムで文字起こし |
| Eleven Realtime | 音声を理解し、AIが考えて音声で返答 |
| ElevenAgents | Eleven Realtimeなどを使って実運用するエージェント基盤 |
リアルタイム字幕や議事録を作りたいのであればScribe v2 Realtime、AIと会話させたいのであればEleven Realtime、と考えると分かりやすいでしょう。
実は完全な1つのAIモデルではない
「Speech to Speechモデル」と聞くと、入力音声から出力音声までを1つの巨大なAIモデルが直接処理しているようにも聞こえます。
しかし、Eleven Realtimeは完全に一体化されたFused Modelではありません。
内部では、
- Speech Recognition
- Turn Taking
- LLM
- Voice
などのコンポーネントが存在するCascaded Architectureが採用されています。
ただし、これらを個別のサービスとして単純につないでいるのではなく、ElevenLabsが音声会話全体として最適になるように調整しています。
そのため利用者側から見ると、「1つのRealtimeモデルを選択するだけ」というシンプルな形になっています。
Eleven Realtimeのメリット・デメリット
音声認識・LLM・音声生成などを個別に組み合わせる必要がない
割り込みやターンテイキングを含む自然な音声会話を作りやすい
v1 Miniとv1 Maxを用途によって使い分けられる
90以上の言語と17,000種類以上の音声を利用できる
OpenAI Realtime APIと互換性があり既存アプリから移行しやすい
Realtime APIはリリース時点ではWebRTCに対応していない
RealtimeモードではLLMやTTSモデルを自由に組み合わせられない
複雑なTool Callingではv1 Maxが必要になりコストが高くなる
Eleven Realtimeが向いている人
Eleven Realtimeは、特に次のようなサービスを作りたい人に向いています。
- AI音声アシスタント
- AI英会話・教育サービス
- AIキャラクター
- AIカスタマーサポート
- 電話自動応答
- リード獲得・営業ヒアリング
- AI予約受付
- 音声対応のWebアプリ
- 音声対応のSaaS
これまで音声AIを作ろうとすると、Speech to Text、LLM、Text to Speechをそれぞれ選択して接続し、さらに会話のタイミングまで調整する必要がありました。
Eleven Realtimeでは、その複雑な部分をElevenLabs側に任せられるようになっています。
まとめ
Eleven Realtimeは、ElevenLabsが2026年10月に発表したリアルタイム音声エージェント向けの新しいモデルシリーズです。
単純な音声生成モデルではなく、
音声認識 → ターン判定 → LLM → 音声生成
という音声会話に必要な処理を1つのシステムとして最適化しているのが最大の特徴です。
現在は、
- Eleven Realtime v1 Mini：自然で高速な会話向け
- Eleven Realtime v1 Max：複雑な推論やTool Calling向け
の2モデルが用意されています。
特に面白いのは、ElevenAgentsから利用すれば、細かなAIモデルを選択しなくてもRealtimeモデルを選ぶだけで音声エージェントを構築できることです。
さらにOpenAI Realtime APIとの互換性もあるため、すでにリアルタイム音声AIを開発している人にとっても試しやすい選択肢となっています。
「AIに文章を生成させる」だけでなく、AIと自然に話すこと自体をサービスに組み込みたい場合には、今後注目したいElevenLabsの機能です。
Elevenlabs
人間のように自然な音声を生成できる高品質AI音声合成サービス
価格
月額6ドルから
無料プラン
あり
試用・無料枠
毎月10kクレジット
総評
シェア
Elevenlabsの関連記事
あわせて見たいツール
著者（私が書きました）
- Kajabiパートナー
- 海外SaaSレビュー
- 40+ countries visited
HodaPress
Hoda
フリーランスエンジニア・Webデザイナー · 写真家・動画編集者
フリーランスエンジニア・Webデザイナー。Kajabi・Shopify・Thinkificなどの海外SaaSを中心に、サイト構築や収益化の仕組みづくりを行っています。
WordPress・Next.js・Supabase・Hugoなどを活用したWeb開発から、動画制作・IT翻訳まで幅広く対応するジェネラリストとして活動。実際に海外ツールを活用しながら、個人でのオンラインビジネスやコンテンツ販売にも取り組んでいます。
これまでに40カ国以上を訪問し、カナダ・ポーランド・リトアニア・デンマークなどでの海外生活を経験。リトアニアの大学で国際ビジネスを学んだ後、現在はスペインを拠点に活動しています。
YouTube「HodaPress」では海外SaaSやオンラインビジネスについて発信。noteでは海外移住・ビザ関連の情報も執筆しています。
本サイトでは、実際に使った経験をもとに「日本人にとって使いやすいか」「収益化に繋がるか」という視点でツールをレビューしています。
Jonas R.
海外ツールリサーチ・記事レビュー担当
リトアニア出身。現在は欧州の大手IT企業に勤務し、ソフトウェア開発およびデジタルプロダクト分野で10年以上の実務経験を持つ。
当サイトでは、海外SaaSツールや最新テクノロジーに関する情報収集、英語圏の公式情報の確認、記事内容のレビューを担当。製品アップデートや業界動向の調査を通じて、より正確で信頼性の高い情報提供をサポートしている。