ElevenLabsのプラン選びで迷っているなら、まず「日本語は1分あたり250〜300文字しか消費しない」という事実から逆算してください。公式ページや解説記事が使う「1,000クレジット≒1分」は英語基準の目安です。日本語ナレーションに当てはめると、同じクレジットで約3倍の尺が作れます。
この換算を知らないまま見積もると、月$6のStarterで足りる用途に月$99のProを契約することになります。本記事では、この日本語換算を軸に、プラン・モデルの選び直しから、公式ページに書かれていない実務の詰まり所(発音辞書がText to Speechで効かない、v3の5,000文字上限、無料プラン生成分は遡って商用化できない)、そして2026年に急展開している「声の権利」までを通しで扱います。
結論を3行で。①日本語なら英語基準の見積もりの約1/3のクレジットで足りる。②Starter($6/月・30,000クレジット)でYouTube解説10分×月8本が賄える。③無料プランで生成した音声は、後から課金しても商用利用できません。
ElevenLabsの使い方はまず何をすべきか?
結論は「無料枠でボイスの日本語品質を確かめ、原稿の月間文字数を数えてからプランを選ぶ」です。逆順にすると確実に払いすぎます。
最初の30分でやるべき手順は次の4つです。
- アカウント作成 — メールまたはGoogleアカウントで登録します。Freeプランは月10,000クレジット付与されます(ElevenLabs公式Pricing、2026年)。
- Text to Speechで日本語を試す — 自分が実際に使う原稿を200〜300文字ぶん貼り、Voice(声)を3〜5種類切り替えて生成します。ここで固有名詞や数字の読みグセを確認します。
- 月間の必要文字数を数える — 「1本の尺(分) × 話速(標準300文字/分) × 月間本数」で算出します。ここが本記事の核心です。
- プランを決める — 商用利用するなら最低でもStarter($6/月)。無料枠のまま公開すると規約違反になります。
無料枠の10,000クレジットで何ができるか
日本語換算なら約33分ぶんの音声が作れます。英語基準の「10分」ではありません。
10,000クレジット ÷ 300文字/分 ≒ 33分。これは「30秒のリール動画なら約66本」「10分の解説動画なら約3本」に相当します。テスト用途としてはかなり潤沢です。ただし、Freeプランで生成した音声は商用利用できず、公開時はElevenLabsへのクレジット表記が必須です。
ElevenLabs 利用規約(2026年3月31日最終更新)によると、無料で本サービスを利用するFree Userは非商用目的でのみ利用でき、無料プランまたは未ログイン状態で生成したコンテンツを公開する場合はElevenLabsへのクレジット表記(attribution)が必要とされています。
最初に押さえる基本操作
Text to Speech画面の操作は「貼る・選ぶ・押す」の3手で完結します。
左のテキストエリアに原稿を貼り、上部でモデル(Eleven v3など)を選び、右側でVoiceを選択して「Generate」を押すだけです。生成後は再生ボタンで確認し、ダウンロードアイコンでMP3を取得します。この部分は他の解説記事にもスクリーンショット付きで載っているので、本記事では深追いしません。詰まるのはこの先です。
ElevenLabsは2025年4月14日に初の海外拠点として日本法人「イレブンラボジャパン合同会社」を東京都千代田区丸の内に設立しています(ElevenLabs公式ブログ、2025年)。日本語のピッチアクセントや文脈依存のニュアンスへの対応を重点課題として明言しており、日本語品質は継続的に改善されている領域です。
なぜプラン選びを間違えるのか|原因は「英語基準の目安」
結論は「クレジットの目安が全て英語の文字数を前提にしており、日本語の情報密度が考慮されていないため」です。ここが誤解の震源地です。
原因1: 1,000クレジット≒1分という英語基準の目安
公式が示す「1,000クレジット≒音声1分」は、英語の話速を前提にした数字です。
Multilingual v2系では1文字=1クレジットで課金されます(ElevenLabs公式Pricing、2026年)。英語は1分間に約1,000文字(スペース込み)を話すため、この目安が成立します。一方、日本語は漢字仮名交じりで情報密度が高く、丁寧なナレーションで250〜300文字/分、情報量の多い解説動画でも350〜400文字/分です。つまり同じ1,000クレジットで、日本語なら約3分ぶんの音声が作れます。
原因2: プランの「◯分使える」表記をそのまま信じてしまう
各プランの分数表記も英語基準なので、日本語では約3倍に読み替える必要があります。
例えばStarter($6/月・30,000クレジット)は英語基準で「30分」ですが、日本語なら約100分です。10分の解説動画なら月10本作れる計算になります。この差は月額で$6と$99(Pro)の違いに直結します。
原因3: モデル選択が「表現力 vs 速度」の抽象論で終わっている
実際に効いてくるのは表現力より「1リクエストの文字数上限」です。
Eleven v3は1リクエスト5,000文字上限で、日本語尺に直すと約16分ぶんしかありません。10分超の解説動画やeラーニング教材では必ず分割が発生します。Multilingual v2は10,000文字(約33分)、Flash v2.5は40,000文字(約133分)と、上限に3倍〜8倍の開きがあります(ElevenLabs公式ドキュメント Models、2026年)。
「表現力が高いからv3」と短絡すると、長尺案件で分割地獄に陥ります。章をまたぐたびにトーンが変わり、通し聴きで違和感が出るためです。用途が長尺の淡々としたナレーションなら、Multilingual v2のほうが運用コストは低くなります。
自分がどのケースか|日本語クレジット早見表で見分ける
結論は「月間の音声尺を文字数に換算すれば、必要プランは3秒で確定する」です。以下の早見表を自分の用途に当てはめてください。
計算式はシンプルです。
- 必要クレジット = 原稿文字数(Multilingual v2 / Eleven v3は1文字=1クレジット)
- 月間必要文字数 = 1本あたりの尺(分) × 話速 × 月間本数
- 話速は標準ナレーション300文字/分、情報密度の高い解説動画350文字/分で計算します
日本語クレジット早見表(用途別)
| 用途 | 月間音声尺 | 必要文字数=クレジット | 英語基準で見積もった場合 | 実際に必要な最小プラン | 乖離倍率 |
|---|---|---|---|---|---|
| (A)YouTube解説 10分×月8本 | 80分 | 約24,000 | 約80,000 | Starter $6/月(30,000) | 約3.3倍 |
| (B)リール動画 1分×月20本 | 20分 | 約6,000 | 約20,000 | Free 0円(10,000)※商用は要Starter | 約3.3倍 |
| (C)社内eラーニング 30分×月2本 | 60分 | 約18,000 | 約60,000 | Starter $6/月(30,000) | 約3.3倍 |
| (D)ポッドキャスト 20分×月4本 | 80分 | 約24,000 | 約80,000 | Starter $6/月(30,000) | 約3.3倍 |
※(A)(D)を英語基準の「30,000クレジット≒30分」で読むと、80分にはPro($99/月・600,000クレジット)級が必要だと誤読します。実際はStarterの30,000クレジットで収まります。
補正行: Flash v2.5をAPI経由で使うと0.5〜1クレジット/文字(最大50%割引)になります(ElevenLabs公式Pricing、2026年)。上表(A)の24,000クレジットは最良ケースで約12,000クレジットまで下がり、Freeの10,000クレジットに迫る水準になります。ただしAPI利用が前提で、画面操作(UI)では割引は効きません。
逆にProプラン以上が要るのはどんな場合か
月間3,000分(50時間)超の音声を作る、または44.1kHz PCM出力が必要な場合です。
Proは$99/月・600,000クレジットで、日本語換算なら約2,000分(33時間)ぶんです。API経由で44.1kHz PCM(192kbps)出力に対応するため、放送・パッケージ納品レベルの音質要件がある場合はここが下限になります。個人の副業用途では、まず到達しません。
プラン全体像(2026年時点)
| プラン | 月額 | 月間クレジット | 日本語換算の目安 | 主な追加機能 |
|---|---|---|---|---|
| Free | $0 | 10,000 | 約33分 | 商用ライセンスなし・クレジット表記必須 |
| Starter | $6 | 30,000 | 約100分 | 商用ライセンス、Instant Voice Cloning、Dubbing Studio |
| Creator | $22(初月$11) | 121,000 | 約400分 | Professional Voice Cloning、発音辞書 |
| Pro | $99 | 600,000 | 約2,000分 | API経由44.1kHz PCM出力 |
| Scale | $299 | 1,800,000 | 約6,000分 | 3席 |
| Business | $990 | 6,000,000 | 約20,000分 | 10席 |
出典: ElevenLabs公式Pricingページ(2026年)。日本語換算は300文字/分で筆者が計算した目安です。
usage based billing(超過課金)はレガシー機能となり、新規のセルフサーブ契約では利用できません。代替としてPay As You Goが提供されています(ElevenLabs Docs Billing、2026年)。「使いすぎても自動で追加課金される」前提で運用設計しないでください。
具体的な解決方法|モデル選択と長尺の分割設計
結論は「日本語の尺に換算した文字数上限でモデルを選び、10分超は必ず分割設計を先に決める」です。生成してから分割を考えると作り直しになります。
モデル選択マトリクス(日本語尺換算版)
| 項目 | Eleven v3 | Multilingual v2 | Flash v2.5 |
|---|---|---|---|
| 対応言語数 | 70以上 | 29 | 32 |
| 1リクエスト文字数上限 | 5,000 | 10,000 | 40,000 |
| 日本語尺の1リクエスト上限 | 約16分 | 約33分 | 約133分 |
| クレジット単価 | 1文字=1 | 1文字=1 | API時0.5〜1 |
| レイテンシ | — | — | 約75ms |
| オーディオタグでの感情演出 | 可 | 不可 | 不可 |
| 向く用途 | 長尺の感情演技ナレーション | 安定重視の標準ナレーション | リアルタイム対話・大量バッチ |
| 分割の要否 | 10分超で必須 | 30分超で必須 | ほぼ不要 |
出典: ElevenLabs公式ドキュメント Models(2026年)。日本語尺は上限文字数÷300文字/分で換算。
10分超の解説動画をv3で作る場合の分割ルール
章単位で3,000〜4,000文字に切り、継ぎ目を1文重ねるのが実務解です。
- 原稿を章単位で3,000〜4,000文字(約10〜13分)のチャンクに分割します。文の途中で切らないでください。
- 次のチャンクの冒頭に、前章末尾の1文をコピーして重ねて生成します。
- 生成後、重複部分をカットして結合します。これで章またぎのトーン差(声色・テンポの跳ね)が目立たなくなります。
- 結合後は必ず通し聴きをして、音量差と間の長さを確認します。
章の切れ目でトーンが変わるのは、モデルが各リクエストを独立した文脈として解釈するためです。特にEleven v3は感情表現の幅が広いぶん、この差が大きく出ます。淡々とした長尺教材なら、最初からMultilingual v2を選ぶほうが継ぎ目の処理は楽になります。
Eleven v3の精度はどこまで上がったか
複雑テキストのエラー率が15.3%から4.9%へ、68%削減されています。
ElevenLabs公式ブログ(2026年2月2日)によると、Eleven v3の正式版(GA)では8言語27カテゴリのベンチマークで検証が行われ、ユーザーはアルファ版より新版を72%の割合で好んだと報告されています。オーディオタグ([laughs][whispers][excited]など)による感情演出も、実用段階に入ったと評価できます。
ケース別の対処|日本語の読み間違いを潰す発音辞書
結論は「Pronunciation Dictionary(発音辞書)はText to Speech画面では効かず、Studioでプロジェクトに接続して初めて機能する」です。ここが最大の詰まり所です。
elevenlabs 日本語の精度でつまずく典型パターン
社名・サービス名・型番・数字が最も壊れます。
典型的なのは数字です。「503」が「ゴーゼロサン」と読まれる、日付の「1日」が「いちにち」になる、英字混じりの型番が意図しない区切りで読まれる、といったケースです。本文の意味は通っていても、ブランド名の読み間違いは公開後の信頼に直結します。
発音辞書の正しい使い方(2026年4月時点)
手順を間違えると「設定したのに効かない」状態になります。
- Creatorプラン以上に加入します(発音辞書はCreator $22/月から)。
- 発音辞書を作成し、対象語と読みを登録します。
- Text to Speech画面ではなくStudioを使います。Studioでプロジェクトを作成します。
- 作成した辞書をそのプロジェクトに明示的に接続します。ここを飛ばすと辞書は無視されます。
- 原稿内で対象語を「」(かぎかっこ)で囲んで生成します。
クラスメソッド DevelopersIO(2026年4月)の検証記事によると、2026年4月時点でPronunciation DictionaryはText to Speech画面では利用できず、Studioでプロジェクトに接続した上で対象語を「」で囲む必要があります。上位の解説記事の多くは「Creatorプラン以上で使える」で説明が止まっており、この接続手順が抜けています。数字の読み(503→ゴーゼロサン)や不要な間の混入は、この手順で回避できます。
辞書を使わずに読みを直す代替策
短時間で済ませたい場合は、原稿側をひらがなに書き換えるのが最速です。
「StockSun」を「ストックサン」、「503」を「ごひゃくさん」と原稿に直接書けば、辞書なしで意図した読みになります。ただし表記が原稿とズレるため、字幕データを原稿から流用している場合は字幕用と音声用でファイルを分ける必要があります。運用本数が増えるなら、素直に発音辞書を整備するほうが管理コストは下がります。
elevenlabs ボイスクローンはどう使い分けるか?
結論は「自分の声を月$6で試すならInstant Voice Cloning、納品品質を狙うならCreator($22/月)のProfessional Voice Cloning」です。ただし権利の確認が先です。
Instant と Professional の違い
必要な音声素材の量と、仕上がりの再現度が違います。
- Instant Voice Cloning(Starter $6/月〜): 数分程度の音声サンプルから即座にクローンを作成します。自分の声でナレーションを量産したい個人に向きます。
- Professional Voice Cloning(Creator $22/月〜): より長い高品質な収録データから専用モデルを学習させます。イントネーションや声質の再現度が上がり、商用ナレーション用途に耐えます。
クローンした声を収益化する仕組み
Voice Libraryで声を共有すると報酬を得られますが、条件があります。
ElevenLabs公式ドキュメント Payouts(2026年)によると、Voice Actor Payoutsの要件は「Starter以上の有効な有料サブスクリプション」「Stripe Connectアカウント」「W-8/W-9の税務証明」の3点です。最低支払閾値は多くの国で$10、閾値を超えると6〜8日ごとに自動送金されます。報酬レートは声の共有時に選ぶnotice period(通知期間)で決まります。
他人の声をクローンする場合は、その声について権利または明示的な同意を保有していることが利用規約上の要件です(ElevenLabs Terms of Use、2026年3月31日最終更新)。家族や友人の声であっても、口頭の了承だけで済ませず、録音日・提供者・用途範囲を記録に残してください。
専門家・公的情報の見解|2026年、日本で「声の権利」が動いた
結論は「2026年7月27日、法務省の検討会が報告書案を了承し、人の声もパブリシティ権の保護対象になり得ると明記された」です。8月に報告書が公表される予定です。
法務省の検討会が扱っている論点
声優・歌手の声の模倣が正面から検討対象に入っています。
法務省は「肖像、声等の無断利用による民事責任の在り方に関する検討会」を設置し、第1回を令和8年(2026年)4月24日に開催しました。検討対象には、俳優の肖像、歌手・声優の声、声優が演じるキャラクターボイスの模倣、性的ディープフェイク、非商用の無断利用、故人の肖像・声の利用が含まれています(法務省、2026年)。
時事通信(2026年7月27日)によると、法務省の検討会は同日、報告書案を了承し、人の声も肖像と同様に権利保護の対象で、パブリシティ権侵害として損害賠償や投稿削除の対象になり得ると明記しました。有識者意見を踏まえ、8月に報告書を公表する方針とされています。
声の権利については確定した判例がなく、声優側が解釈指針を求めていた経緯があります。日本俳優連合(日俳連)も、この指針について業界側の要望と論点整理を公表しています(2026年)。
YouTubeで収益化する場合の追加要件
AI音声を貼っただけの量産コンテンツは、収益化の対象外です。
YouTubeは2025年7月15日にYPPのチャンネル収益化ポリシーを更新し、旧「repetitious(反復)」を「inauthentic content(不真正コンテンツ)」に改称しました。独自の洞察や視点が加えられておらず、汎用テンプレートで量産された反復的なコンテンツは収益化の対象外と明確化されています(YouTubeヘルプ チャンネル収益化ポリシー、2026年閲覧)。加えて、リアルに見える合成・改変コンテンツについては開示が必要です。
ツールの操作を覚えるより、この2つ(日本の声の権利指針・YouTubeのinauthenticポリシー)を先に押さえるほうが、副業目的の読者にとっては損失回避の効果が大きくなります。生成そのものは数分で覚えられますが、公開後の巻き戻しはできません。
やってはいけないNG対応|公開前チェックリスト10項目
結論は「無料プランで生成した音声は、後から有料プランに加入しても商用利用できない」です。判定は生成時点の契約状態で行われ、遡及しません。
以下は操作手順ではなく、公開・収益化の直前に潰す項目に限定したチェックリストです。
| # | チェック項目 | NGだった場合の直し方 |
|---|---|---|
| 1 | その音声を生成した時点で有料プランに加入していたか | 有料プランに加入した上で、同じ原稿を生成し直す(既存ファイルは使わない) |
| 2 | 無料/未ログインで生成した音声にElevenLabsのクレジット表記を入れたか | 概要欄・エンドカードに「Voice generated by ElevenLabs」等を明記する |
| 3 | クローン元音声の同意取得記録(録音日・提供者・用途範囲)を保存したか | 提供者に用途を再提示し、書面またはメールで同意を取り直す |
| 4 | 他人・タレント・声優・キャラクターボイスに寄せる意図がないか | 該当するボイスを差し替える(2026年の法務省指針で声もパブリシティ権の保護対象と明記される見通し) |
| 5 | 故人の声・故人を思わせる音声を使っていないか | 遺族の同意が取れないなら使用を中止する(検討会の検討対象) |
| 6 | YouTube公開時、AI音声以外にオリジナルの構成・台本・映像・独自の洞察が加わっているか | 自分の実測データ・体験・比較検証を1セクション追加してから公開する |
| 7 | リアルに見える合成音声について開示設定を行ったか | YouTube Studioの「変更・合成コンテンツ」の開示をオンにする |
| 8 | 社名・サービス名・型番・電話番号・日付の読みを全箇所検品したか | 発音辞書をStudioのプロジェクトに接続し、対象語を「」で囲んで再生成する |
| 9 | 文字数上限で分割した継ぎ目のトーン・音量差を通し聴きで確認したか | 前章末尾1文を次チャンク冒頭に重ねて再生成し、重複部をカットして繋ぎ直す |
| 10 | 納品先クライアントとの契約でAI音声使用の可否・表記条件を確認したか | 納品前に書面で確認を取る。禁止なら人間のナレーターに切り替える |
特に1番が最も損失の大きい落とし穴です。「無料枠で作りためて、公開直前に課金すればいい」という運用は成立しません。商用利用が確定しているなら、最初の1文字目から有料プランで生成してください。
予防・再発防止のコツ|運用を仕組みにする
結論は「原稿の文字数カウントを制作フローに組み込み、月初にクレジット残量を確認する」です。感覚で回すと月末に枯渇します。
制作フローに組み込む3つの習慣
- 原稿完成時に文字数を記録する — そのまま消費クレジット数です。テキストエディタの文字数カウントで足ります。
- 月初にプランのクレジット残量を確認する — 超過課金(usage based billing)はレガシー機能となり、新規のセルフサーブ契約では利用できません(ElevenLabs Docs Billing、2026年)。枯渇=生成停止です。
- 生成前に「このファイルは商用か」を確認する — 有料プランで生成したかどうかを、ファイル名やフォルダ構成で区別しておくと後から追跡できます。
声の権利まわりの記録を残す
クローン素材の同意記録は、案件フォルダに一緒に置いてください。
「誰の声を、いつ、どの用途の範囲で使う同意を得たか」をテキストファイル1枚にまとめ、音声素材と同じフォルダに保存します。法務省の指針が2026年8月に公表される見通しである以上、記録があるかないかが後の分岐点になります。
予防のポイントは3つです。①文字数=クレジットとして原稿段階で管理する。②月初に残量を確認する(超過課金は使えません)。③クローン素材の同意記録を案件ごとに残す。この3つを仕組みにすれば、料金・権利の両面で事故は起きにくくなります。
まとめ|次にやること
本記事の要点を整理します。
- 日本語ナレーションは250〜300文字/分。公式の「1,000クレジット≒1分」は英語基準で、日本語なら約3倍の尺が作れます。
- YouTube解説10分×月8本(80分)なら約24,000クレジット。Starter($6/月・30,000クレジット)で足ります。英語基準で読むとPro級が必要だと誤読します。
- モデルは「表現力」より1リクエスト文字数上限で選びます。v3=5,000文字(約16分)、Multilingual v2=10,000文字(約33分)、Flash v2.5=40,000文字(約133分)。
- 発音辞書はText to Speech画面では効きません。Studioでプロジェクトに接続し、対象語を「」で囲む必要があります(2026年4月時点)。
- 無料プランで生成した音声は、後から課金しても商用利用できません。商用が確定しているなら最初から有料プランで生成してください。
- 2026年7月27日、法務省の検討会が報告書案を了承し、声もパブリシティ権の保護対象になり得ると明記されました。報告書は8月公表予定です。
次の一歩は、自分の原稿を1本ぶんテキストエディタに貼り、文字数をカウントすることです。その数字がそのまま必要クレジットであり、プラン選定の答えになります。
よくある質問
elevenlabs 無料プランだけでYouTubeに公開できますか?
収益化しない場合でも、ElevenLabsへのクレジット表記が必須です。収益化するなら無料プランでは不可です。
ElevenLabs利用規約(2026年3月31日最終更新)では、Free Userは非商用目的でのみ利用でき、無料プランまたは未ログイン状態で生成したコンテンツを公開する際はクレジット表記が必要とされています。収益化を伴う公開は商用利用にあたるため、最低でもStarter($6/月)が必要です。
elevenlabs 料金は結局いくらから始めるのが正解ですか?
商用利用するならStarter $6/月が現実的な起点です。日本語なら月100分ぶん作れます。
30,000クレジット ÷ 300文字/分 ≒ 100分。10分の解説動画なら月10本です。発音辞書やProfessional Voice Cloningが必要になったらCreator($22/月・初月$11)に上げてください。Pro($99/月)は月2,000分規模か、44.1kHz PCM出力が必要な場合の選択肢です。
elevenlabs 商用利用に切り替えたら、過去の音声も商用で使えますか?
使えません。商用利用の可否は生成時点の契約状態で判定され、遡及しません。
無料プラン期間に生成した音声を商用で使いたい場合は、有料プランに加入した上で同じ原稿を生成し直してください。クレジットは消費しますが、日本語なら数千クレジット程度で済むケースがほとんどです。
elevenlabs 日本語の読み間違いはどう直すのが確実ですか?
発音辞書をStudioのプロジェクトに接続し、対象語を「」で囲むのが確実です。Text to Speech画面では辞書は効きません。
手軽に済ませるなら、原稿側で「StockSun」→「ストックサン」のようにひらがな・カタカナに書き換える方法もあります。ただし字幕データを原稿から流用している場合は、音声用と字幕用でファイルを分ける必要があります。
elevenlabs ボイスクローンで他人の声を使うのは違法ですか?
無断利用は損害賠償や投稿削除の対象になり得ます。同意の取得と記録が必須です。
時事通信(2026年7月27日)によると、法務省の検討会は報告書案で、人の声も肖像と同様に権利保護の対象であり、パブリシティ権侵害として損害賠償や投稿削除の対象になり得ると明記しました。ElevenLabsの利用規約でも、クローン対象の声について権利または同意を保有していることが要件とされています。録音日・提供者・用途範囲を記録に残してください。
Eleven v3とMultilingual v2はどちらを選ぶべきですか?
10分以内で感情表現が要るならv3、10分超の淡々としたナレーションならMultilingual v2です。
判断軸は1リクエスト文字数上限です。v3は5,000文字(日本語で約16分)、Multilingual v2は10,000文字(約33分)。長尺をv3で作ると分割が増え、章またぎのトーン差の処理に手間がかかります。リアルタイム対話や大量バッチならFlash v2.5(40,000文字・約75msレイテンシ)が適します。
