AIエージェント能力アトラス › 仕事ごとの一覧 › コンテンツ制作 › 音楽・音声

TTS・ナレーション/オーディオブック制作

TTS narration and audiobook production

0 できない ／ 1 デモ止まり ／ 2 補助 ／ 3 実務品質（要確認） ／ 4 専門家並み ／ 5 専門家超え。「予」は予測。

専門家と比べて

独立テストでElevenLabs v3が5テイク中3本が放送品質と評価される水準に到達

できること

感情タグ([whispers][excited]等)による演技指導、長尺オーディオブックでの一貫した声の維持

まだできないこと

常に放送品質のテイクを出すこと(5本中2本は『使える』程度に留まる)、俳優の即興的な間の取り方

なぜそうなのか

感情表現は大幅改善したが、一貫した『名演』の再現性はなお確率的

これからの予測の根拠

既に専門家並みに到達しておりレベル5相当。今後は安定性(再現性)の向上が焦点になると予測

いま使える主な道具

ElevenLabs v3、VOICEVOX

根拠

• Audio tags 101: Directing emotional TTS in Eleven v3 2026-03
  [whispers][laughs][excited]等のインラインタグで感情演技を指示できる新機能
• ElevenLabs for Audiobooks: Strengths and Limits 2026
  5本中3本が放送品質、2本は使える程度という独立テスト結果

同じ分野のほかの仕事（音楽・音声）

• 作詞作曲(構成のある楽曲)
• レーベル許諾・権利処理された形での商用リリース
• 感情演技・声優代替(ゲーム/アニメ的キャラボイス)
• 効果音・BGM/劇伴スコアリング
• 資料からの対話型ポッドキャスト/解説音声生成

AIエージェント能力アトラス 2026（2026-09-06 時点・v1.0）の1マスです。レベルは公開された実験・ベンチマーク・報告から付けた目安で、2027年以降は予測です。全マスに根拠のリンクがあります。作者は個人で、AI（Claude）と一緒に調べて作っています。