長編原稿を商業流通品質のオーディオブックへ仕上げる作業は、単に文章をテキスト読み上げ（TTS）ツールに貼り付けるだけでは完結しません。数十時間に及ぶ長編音声コンテンツでは、複数登場人物の声の演じ分け、架空の固有名詞や専門用語の正確かつ一貫した発音、感情の高まりを表現する精緻な間（ポーズ）と話速の制御、そして Audible（ACX）などの主要配信プラットフォームが定める章別ファイル仕様への準拠が不可欠となります。
ElevenLabs Projects（現在 ElevenCreative Studio 内の Audiobooks として提供）は、こうした長編制作特有の課題を解決するために設計された制作環境です。本ガイドでは、原稿の章構造パースから AI キャラクターキャスティング、発音辞書（Pronunciation Dictionaries）の構築、段落ごとの速度・ポーズ調整、マルチトラック音響効果、そして最終マスター音源の書き出しまで、実践的な全工程を詳しく解説します。
1. 原稿の準備と章構造の自動解析
オーディオブック制作を円滑に進めるための第一歩は、アップロード前の原稿の構造化です。ElevenLabs Audiobooks は、原稿を解析して章ごとの分割、前付・後付、および埋め込み表紙画像を自動抽出します。
対応ファイル形式と見出しルール
- 対応フォーマット： EPUB および PDF。小説やノンフィクション作品では、意味構造が明確に保持される EPUB 形式の利用を強く推奨します。
- 見出しタグの統一： EPUB を書き出す前に、執筆ソフト（Word、Google ドキュメント、Scrivener など）において、すべての章見出しを標準の 見出し 1（Heading 1 /
H1） に設定してください。システムはこのH1タグを基準に章の境界を自動判定するため、手動でテキストを切り分ける手間を省けます。 - 表紙画像の抽出： EPUB 内に高解像度の表紙が含まれている場合、プロジェクトのアートワークとして自動登録されます。書式設定画面で維持・置換・削除が可能です。
プロジェクト作成とセクションの取捨選択
- ElevenLabs にログインし、Studio から Create an Audiobook（または New Audiobook）を選択します。
- 整形済みの EPUB または PDF 原稿をアップロードします。
- 音声合成モデルを選択します。長編オーディオブックには、29 言語に対応し自然な息遣いと豊かな感情表現を備えた Eleven Multilingual v2 (Studio Quality) が推奨されます。より洗練された音質やネイティブ IPA 発音記号が必要な場合は、最新の Eleven v4 も選択可能です。
- Formatting（フォーマット） 画面で、自動検出されたセクションを確認します：
- 前付（著作権表示、献辞、序文など）
- プロローグおよび各章本文
- 後付（エピローグ、あとがき、謝辞など）
- 朗読が不要なセクション（ISBN 表記や索引など）は、チェックボックスを外して除外します。
- 左側の章ナビゲーション画面で、+ ボタンによる章の追加、並び替え、タイトルの編集がいつでも行えます。
2. キャラクター配役とボイス設計
ElevenLabs Projects の際立った強みは、伝統的な単独ナレーターによる朗読と、登場人物ごとに異なる声を割り当てるマルチキャスト劇（Multi-cast）の双方に対応している点です。
朗読スタイルの選択：Single Cast と Multi Cast
- Single cast（単独ナレーション）： 1 人のナレーターが地の文と登場人物の台詞を一貫して読み上げます。自伝や学術書、オーソドックスな文芸作品に適しています。
- Multi Cast（マルチキャスト配役）： 主ナレーターと作中の各登場人物に別々の音声を割り当て、本格的なオーディオドラマのような臨場感を実現します。
AI による登場人物の自動検出と音声割り当て
Multi Cast を選択すると、AI が会話の鍵括弧や文脈、発話タグを解析し、登場人物を自動抽出します。
- 検出上限： 1 冊あたり最大 150 人のキャラクターボイス を識別・管理できます。
- 音声ライブラリと独自ボイス： 90 以上の言語、10,000 種以上の公式 Voice Library から最適な声を選定できます。さらに Voice Design で年齢・性別・アクセントを指定して架空の声を新規生成したり、著者自身の朗読や声優のサンプルを用いた Instant Voice Cloning や Professional Voice Cloning (PVC) を配役に充てることも可能です。
- 実台詞による試聴： Characters 画面では、原稿から抽出された実際の台詞を用いて配役音声をプレビュー試聴できます（※カスタム音声の生成プレビューにはサブスクリプションのクレジットを消費します）。
- 全章一括更新： キャラクター設定画面で特定の登場人物の声を変更すると、本全体を通してそのキャラクターの全発話行に新しい音声が自動適用されます。数百箇所に及ぶ段落を手作業で割り当て直す必要はありません。
3. 発音辞書（Pronunciation Dictionaries）の設計と適用
ファンタジー、SF、歴史小説、専門用語の多い実用書では、AI モデルが造語、特殊な人名・地名、略語を誤読するケースが頻発します。発音のブレは聴取体験を損なうため、プロジェクト全体で発音ルールを統一することが不可欠です。
ElevenLabs では、発音辞書（Pronunciation Dictionaries） を用いてプロジェクト全体に確実な読みのルールを適用できます。
自動検出とルール種別の使い分け
初期設定の Pronunciations ステップで、原稿内の珍しい単語や大文字表記が自動リストアップされます。手動でルールを追加・編集することも可能です。
| ルール種別 | 動作原理 | 対応モデル | 主な用途 |
|---|---|---|---|
| Alias（別名置換） | テキスト置換。直感的なカタカナ表記や別の単語に置き換えて発音させる | 全モデル対応（Multilingual v2、v3、v4、Flash） | 互換性重視、略語の展開（例：「UN」を「United Nations」とする）、直感的な読み替え |
| Phoneme（音素規則） | 国際音声記号（IPA）や CMU Arpabet を用いて音素とアクセントを厳密に定義 | Eleven v4、Flash v2、v3（英語中心、v4 では多言語 IPA に対応） | 複雑なファンタジー固有名詞、音節ストレスの厳密な制御、言語学的な正確性 |
W3C PLS 標準フォーマットの読み込み
シリーズ作品や大規模出版においては、W3C 準拠の XML 形式である .pls（Pronunciation Lexicon Specification）ファイルを辞書エディタへ直接インポートできます：
<?xml version="1.0" encoding="UTF-8"?>
<lexicon version="1.0"
xmlns="http://www.w3.org/2005/01/pronunciation-lexicon"
alphabet="ipa" xml:lang="en-US">
<lexeme>
<grapheme>Aethelgard</grapheme>
<phoneme>/ˈæθəlɡɑːrd/</phoneme>
</lexeme>
<lexeme>
<grapheme>Caelum</grapheme>
<alias>Kay-lum</alias>
</lexeme>
<lexeme>
<grapheme>DARPA</grapheme>
<alias>Darpa</alias>
</lexeme>
</lexicon>
発音辞書運用の重要原則
- 大文字・小文字の区別： 辞書の一致判定は Case-Sensitive です。文中で「Mirella」と「mirella」が混在している場合は、両方の表記を登録してください。
- 上から順に適用： 辞書はリストの上部から評価され、最初に一致したルールのみが適用されます。
- 文脈付き試聴（In-Context Preview）： ルールを設定したら、必ず登録行の再生ボタンを押して前後の文章を含めて試聴してください。単語単体では正しく聞こえても、文中の抑揚や前後の単語との連結によって不自然に聞こえる場合があります。
4. 話速・間（ポーズ）・リズムの調整技術
オーディオブックの聴き心地は、息遣いと沈黙の演出に大きく左右されます。早口すぎる朗読は情緒を損ない、間が適切でないと物語の緊張感が薄れてしまいます。
1. 全体および部分的な話速調整（Speed Setting）
音声設定パネルの Speed スライダー でテンポを微調整します：
- 設定可能範囲：
0.7（最遅）〜1.2（最速）、基準値は1.0。 - 調整の目安： 重厚な小説の描写や解説文では、
0.92〜0.97付近に設定すると言葉の重みと明瞭度が向上します。テンポの速い会話では1.0〜1.05が効果的です。0.8未満や1.15を超える極端な値は音質劣化の原因となるため避けてください。
2. 合成モデルごとのポーズ制御手法
使用する AI モデルによって、ポーズを挿入するための記法が異なります：
- Eleven Multilingual v2、Flash v2、Flash v2.5 の場合：
- 標準的な SSML ポーズタグを使用：
<break time="1.5s" /> - 挿入可能な休止時間は最大 3.0 秒 です。
- シーン転換や章の結び、重要なセリフの直前に配置します。1 つの短い段落内に過剰な数の break タグを埋め込むと、AI が異常加速したりノイズが発生したりする恐れがあるため注意してください。
- 標準的な SSML ポーズタグを使用：
- Eleven v4 の場合：
- Eleven v4 は XML の
<break>タグに対応していません。代わりに自然言語の Audio Tags を使用します：[pause]：通常の会話上の間[long pause]：長めの休止や場面転換の間
- Eleven v4 は XML の
- 句読点による自然な間（全モデル共通）：
- ダッシュ（
—や-）：自然な発話の途切れや息継ぎを演出。 - 三点リーダー（
...）：ためらい、余韻、内省的なニュアンスを付与。
- ダッシュ（
3. 段落単位のオーバーライドと Actor Mode
Studio エディタ内では、各段落の左端にステータスバーが表示されます：
- 濃いバー： 音声生成済み（キャッシュ保存済み）
- 薄いグレーのバー： 未生成
段落を選択すると、右側のコンテキストサイドバーが利用可能になります：
- Override settings（個別設定）： 特定の山場において、全体の共通設定を変更することなく、その段落限定で Stability（安定性）、Similarity Boost（類似性）、音量を個別に上書きできます。
- フェードイン / フェードアウト： 章の冒頭や末尾の音の立ち上がり・立ち下がりを滑らかにします。
- Actor Mode（Direct speech with your voice）： ニュアンスの表現が難しい台詞について、制作者自身のマイクから手本となる音声を録音して吹き込むことができます。AI はキャラクターの音色を保ったまま、入力された抑揚やタイミングを忠実に再現します。
5. タイムライン編集・音響効果とクレジット節約術
商業作品では、オープニング曲、場面転換のジングル、環境音（SFX）の導入が効果的です。
マルチトラックタイムラインの活用
Studio にはテキストエディタと連動したタイムラインが備わっています：
- 音楽（Music）： タイムラインの + アイコンから、Music Marketplace の楽曲を選択するか、プロンプト入力でオリジナルの BGM を即座に生成して配置できます。
- 効果音（SFX）： ドアの開閉音や雨音などの効果音を別トラックに配置し、台詞と同期させます。
- 音量バランス： 朗読の可聴性を最優先するため、BGM や環境音は主音声より
-18 dB〜-24 dB程度低く抑えるのが業界標準です。
クレジット消費を抑える運用戦略
長編原稿の生成には膨大な文字数クレジットを消費します。予算の浪費を防ぐために以下の運用を徹底してください：
- 最初から全編生成しない： アップロード直後に「本全体を一括生成」するのは厳禁です。会話と固有名詞が密集した 2〜3 の代表的な章でテストを行い、配役と発音辞書を確定させます。
- 生成済み音声の再生は完全無料： ステータスが濃いバーになっている段落は、エディタ内で何度再生してもクレジットを一切消費しません。課金されるのは新規生成および再生成時のみです。
- 部分的な再生成の活用： 1 文だけ修正した場合は、該当する段落のみを再生成（Regenerate）すれば、他の章の音声に影響を与えることなく作業できます。
- 配役変更の影響範囲： 後から特定のキャラクターの声を変更した場合、システムはその登場人物の発話行のみを未生成状態に戻します。地の文や他の登場人物の音声はそのまま維持されます。
6. マスター音源の書き出しと配信プラットフォームへの適合
全編の校正と試聴が完了したら、Audible（ACX）、Findaway Voices、Apple Books などの配信基準に準拠したマスター音源を書き出します。
エクスポート設定と仕様
右上の Publish をクリックし、Export タブを開きます：
- 書き出し範囲： プロジェクト全体の一括書き出し、または章ごとの個別書き出し。
- ファイル構造：
- 章別 ZIP（Chapter-based ZIP）： 章ごとに連番で個別ファイル化された ZIP 形式。ACX をはじめとするほぼすべての商業配信プラットフォームで必須とされる納品形式です。
- 単一統合ファイル（Single file）： 全編を 1 つのファイルに結合した形式。ポッドキャスト等に適しています。
- 音声フォーマット：
- MP3： 一般流通用の標準形式（192 kbps または 320 kbps 固定ビットレート）。
- WAV： 24-bit/48kHz または 16-bit/44.1kHz の非圧縮マスター形式。外部 DAW（Pro Tools、Logic Pro、Reaper など）で最終マスタリングを行う場合に最適です。
- AAF タイムラインデータ： 音声・音楽・効果音の全トラック情報を外部 DAW へ引き継ぐための業界標準フォーマット。
- 未生成セクションの自動処理： エディタ内に未生成（薄いグレー）の段落が残っている場合でも、エクスポート実行時に自動でバックグラウンド生成が行われ、必要なクレジットが精算されます。
ElevenReader への直接配信
制作した作品は、アグリゲーターを介さず ElevenReader アプリへ直接公開することも可能です：
- Publish タブから ElevenReader を選択します。
- 著者プロフィール、書名、サブタイトル、表紙画像、ロイヤリティ受取口座情報を登録します。
- 配信モードを選択：Original Audio（制作者が仕上げた固定マスター）または Dynamic Narration（リスナーがお気に入りの AI ボイスに切り替えて聴けるモード）。
- 申請を送信し、審査を経て ElevenReader ユーザーに向けて配信が開始されます。
制作チェックリスト
- 原稿の事前整形： EPUB の章見出しに
H1タグを適用し、章分割を自動化する。 - モデルの選定： 長編の感情表現には Eleven Multilingual v2、最新の高音質と IPA には Eleven v4 を採用。
- キャラクターの全体配役： 実際の台詞で試聴して声を決定し、全章一括同期を活用する。
- 発音辞書の確定： 固有名詞に Alias や IPA を設定し、必ず文脈付きで試聴確認する。
- ポーズと話速の最適化： 話速を
0.92–1.0xに整え、v2 モデルでは<break time="xs" />、v4 モデルでは[pause]を活用する。 - 章別 ZIP での出力： ACX 規格に適合する章別 MP3/WAV の ZIP ファイルとして書き出す。
参考資料
- Audiobooks | ElevenLabs Documentation
- Using pronunciation dictionaries | ElevenLabs Documentation
- Best practices | ElevenLabs Documentation
- What is Character Casting? | ElevenLabs Documentation
- How many voices can I use in an audiobook? | ElevenLabs Documentation
- Do I need to generate narration before exporting an audiobook? | ElevenLabs Documentation
- What file formats are supported for Audiobooks? | ElevenLabs Documentation