イレブンv3が正式提供：AI音声は「本物の人間の区別が難しい」という新たな段階へ

2 月 2 日、イレブンラボ は、主力音声モデル イレブン v3 が一般提供されることを発表しました。 「リアリズム」を使命とする同社にとって、v3 の GA は、音声合成技術が新世代に入ったことを意味します。音声の自然さ、感情表現、多言語機能、安定性が同時に新たなレベルに到達し、「最もリアルな AI 音声」の技術基盤となります。

v1/v2 から v3 までの技術的コンテキスト

イレブンラボの音声モデルの反復パスは明確です。v1/v2 は音声クローン作成と TTS の基礎を築き、v3 は長文の一貫性、感情/口調制御、および多言語 (数十の言語をカバー) 機能を強化します。 v3 と同時に、イレブンラボは Scribe v2 (音声からテキストへ、2026 年 1 月)、Dubbing v2 (吹き替え、2026 年 5 月)、Music v2 (2026 年 5 月) などもリリース/反復し、「音声合成 + 認識 + 翻訳 + 音楽」の完全なオーディオ技術スタックを形成しました。

ビジネス帝国の基礎

v3 の重要性はテクノロジーだけではありません。シリーズ D の資金調達 (110 億米ドル相当) と 5 億米ドルの ARR を組み合わせて、イレブンラボは、v3 に基づく音声 AI ビジネス帝国を構築しています。音声エージェント、吹き替え、オーディオ ブック、カスタマー サービスです。これらのシナリオはすべて、「AI 音声は十分に本物そっくりである」という前提に基づいています。 v3 の GA は、これらのビジネス シナリオの基盤に「適格な」ラベルを付けることに相当します。

From an industry perspective, Eleven v3's GA marks that AI voice quality has entered a new stage of "hard to distinguish from real people".これは技術的な勝利であるだけでなく、新たな疑問ももたらします。AI の音声が本物の人間と変わらない場合、「音声の信頼」をどのように確立すればよいのでしょうか。ディープフェイクのガバナンスはどのようにして維持できるのでしょうか?国内の音声 AI 企業 (Byte、Alibaba、Mobvoi など) にとって、v3 は競争上の基準 (忠実度が新たなレベルに達した) であると同時に、安全上の警告 (忠実度の裏返しである悪用のリスク) でもあります。 AI音声トラックの後半では、「見た目が似ているかどうか」だけでなく、「責任を持って使用できるかどうか」が勝負になります。

将来的に追跡する価値のあるいくつかの方向性:

1. The actual listening difference between v3 and v2: Comparison of naturalness and emotional expression in real scenes.
2. Multi-language capability coverage: Among dozens of languages, the sound quality level of Chinese and other languages.
3. Deep Forgery Governance: ElevenLabs’ voice watermarking and traceability solution.
4. Follow-up of domestic TTS: Can local voice manufacturers narrow the gap in naturalness.