jpskill.com
🛠️ 開発・MCP コミュニティ

elevenlabs

ElevenLabs APIを活用し、テキストを自然な音声に変換したり、声色を再現したり、音声対応アプリを開発するなど、ElevenLabsの音声合成技術を様々な用途で活用するSkill。

📜 元の英語説明(参考)

Generate realistic speech with the ElevenLabs API. Use when a user asks to convert text to speech, clone voices, build voice-enabled apps, stream audio, or integrate ElevenLabs voice synthesis into applications.

🇯🇵 日本人クリエイター向け解説

一言でいうと

ElevenLabs APIを活用し、テキストを自然な音声に変換したり、声色を再現したり、音声対応アプリを開発するなど、ElevenLabsの音声合成技術を様々な用途で活用するSkill。

※ jpskill.com 編集部が日本のビジネス現場向けに補足した解説です。Skill本体の挙動とは独立した参考情報です。

⚡ おすすめ: コマンド1行でインストール(60秒)

下記のコマンドをコピーしてターミナル(Mac/Linux)または PowerShell(Windows)に貼り付けてください。 ダウンロード → 解凍 → 配置まで全自動。

🍎 Mac / 🐧 Linux
mkdir -p ~/.claude/skills && cd ~/.claude/skills && curl -L -o elevenlabs.zip https://jpskill.com/download/14861.zip && unzip -o elevenlabs.zip && rm elevenlabs.zip
🪟 Windows (PowerShell)
$d = "$env:USERPROFILE\.claude\skills"; ni -Force -ItemType Directory $d | Out-Null; iwr https://jpskill.com/download/14861.zip -OutFile "$d\elevenlabs.zip"; Expand-Archive "$d\elevenlabs.zip" -DestinationPath $d -Force; ri "$d\elevenlabs.zip"

完了後、Claude Code を再起動 → 普通に「動画プロンプト作って」のように話しかけるだけで自動発動します。

💾 手動でダウンロードしたい(コマンドが難しい人向け)
  1. 1. 下の青いボタンを押して elevenlabs.zip をダウンロード
  2. 2. ZIPファイルをダブルクリックで解凍 → elevenlabs フォルダができる
  3. 3. そのフォルダを C:\Users\あなたの名前\.claude\skills\(Win)または ~/.claude/skills/(Mac)へ移動
  4. 4. Claude Code を再起動

⚠️ ダウンロード・利用は自己責任でお願いします。当サイトは内容・動作・安全性について責任を負いません。

🎯 このSkillでできること

下記の説明文を読むと、このSkillがあなたに何をしてくれるかが分かります。Claudeにこの分野の依頼をすると、自動で発動します。

📦 インストール方法 (3ステップ)

  1. 1. 上の「ダウンロード」ボタンを押して .skill ファイルを取得
  2. 2. ファイル名の拡張子を .skill から .zip に変えて展開(macは自動展開可)
  3. 3. 展開してできたフォルダを、ホームフォルダの .claude/skills/ に置く
    • · macOS / Linux: ~/.claude/skills/
    • · Windows: %USERPROFILE%\.claude\skills\

Claude Code を再起動すれば完了。「このSkillを使って…」と話しかけなくても、関連する依頼で自動的に呼び出されます。

詳しい使い方ガイドを見る →
最終更新
2026-05-18
取得日時
2026-05-18
同梱ファイル
1

📖 Skill本文(日本語訳)

※ 原文(英語/中国語)を Gemini で日本語化したものです。Claude 自身は原文を読みます。誤訳がある場合は原文をご確認ください。

ElevenLabs — AI音声合成とクローニング

概要

あなたはElevenLabsのエキスパートです。ElevenLabsは、高品質なテキスト読み上げ、音声クローニング、会話型AIのためのAI音声プラットフォームです。開発者が、自然な音声、カスタム音声作成、多言語サポート、音声エージェント、オーディオブック、ポッドキャスト、アクセシビリティ機能のためのリアルタイムストリーミングTTSを備えた音声対応アプリケーションを構築するのを支援します。

指示

テキスト読み上げ

# 基本的なTTS — テキストからオーディオを生成
from elevenlabs import ElevenLabs

client = ElevenLabs(api_key=os.environ["ELEVENLABS_API_KEY"])

# オーディオを生成して保存
audio = client.text_to_speech.convert(
    voice_id="pNInz6obpgDQGcFmaJgB",    # "Rachel" — 温かく、プロフェッショナル
    text="Bright Smile Dentalへようこそ。今日はどのようなご用件でしょうか?",
    model_id="eleven_turbo_v2_5",         # 低レイテンシ向けに最適化 (~200ms)
    voice_settings={
        "stability": 0.6,                 # 低いほど表現豊か、高いほど一貫性がある
        "similarity_boost": 0.8,           # 元の音声にどれだけ忠実に一致させるか
        "style": 0.3,                      # スタイルの誇張 (0-1)
        "use_speaker_boost": True,         # 明瞭度を高める
    },
)

# ファイルに保存
with open("greeting.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

# ストリーミングTTS — リアルタイムアプリケーション向け
audio_stream = client.text_to_speech.convert_as_stream(
    voice_id="pNInz6obpgDQGcFmaJgB",
    text="来週火曜日の空き状況を確認させてください。",
    model_id="eleven_turbo_v2_5",
    output_format="pcm_24000",            # WebRTC/LiveKit用の生のPCM
)

for chunk in audio_stream:
    send_to_audio_output(chunk)            # スピーカーに直接ストリーム

音声クローニング

# インスタント音声クローン — 単一のオーディオサンプルから
voice = client.voices.add(
    name="Dr. Smith",
    files=[open("dr_smith_sample.mp3", "rb")],
    description="医療コンテキスト向けの穏やかで権威のある男性の声",
    labels={"use_case": "voice_agent", "language": "en"},
)
print(f"クローンされた音声ID: {voice.voice_id}")

# プロフェッショナル音声クローン (高品質、同意が必要)
# 最良の結果を得るには、30分以上のクリーンなオーディオが必要

会話型AIエージェント

# ElevenLabs会話型AI — フルマネージド音声エージェント
from elevenlabs import ConversationalAI

agent = ConversationalAI(
    api_key=os.environ["ELEVENLABS_API_KEY"],
    agent_id="your-agent-id",             # ElevenLabsダッシュボードで作成
)

# リアルタイム会話のためのWebSocket接続
async def handle_call(websocket):
    async for audio_chunk in websocket:
        # 発信者のオーディオをElevenLabsに送信
        response = await agent.process_audio(audio_chunk)
        # AI応答オーディオを発信者に返送
        await websocket.send(response.audio)

JavaScript / React

// ブラウザベースのTTS
import { ElevenLabsClient } from "elevenlabs";

const client = new ElevenLabsClient({ apiKey: process.env.ELEVENLABS_KEY });

// ブラウザでオーディオをストリーム
const response = await client.textToSpeech.convertAsStream(voiceId, {
  text: "こんにちは!何かお手伝いできることはありますか?",
  model_id: "eleven_turbo_v2_5",
  output_format: "mp3_44100_128",
});

// Web Audio APIを使用してオーディオを再生
const audioContext = new AudioContext();
const reader = response.getReader();
// ... チャンクをデコードして再生

利用可能なモデル

Model Latency Quality Best For
eleven_turbo_v2_5 ~200ms High 音声エージェント、リアルタイムアプリ
eleven_multilingual_v2 ~400ms Highest 多言語、オーディオブック
eleven_english_v1 ~300ms Good 英語のみ、コスト重視

インストール

pip install elevenlabs                    # Python
npm install elevenlabs                    # Node.js

例1: ユーザーがelevenlabsの設定を依頼

User: "プロジェクトのためにelevenlabsを設定するのを手伝ってください"

エージェントは以下を行う必要があります:

  1. システム要件と前提条件を確認する
  2. elevenlabsをインストールまたは構成する
  3. 初期プロジェクト構造を設定する
  4. セットアップが正しく動作することを確認する

例2: ユーザーがelevenlabsで機能を構築することを依頼

User: "elevenlabsを使用してダッシュボードを作成してください"

エージェントは以下を行う必要があります:

  1. コンポーネントまたは構成をスキャフォールドする
  2. 適切なデータソースに接続する
  3. 要求された機能を実装する
  4. 出力をテストおよび検証する

ガイドライン

  1. 音声エージェント用のターボモデル — リアルタイム会話にはeleven_turbo_v2_5を使用してください。200msのレイテンシは瞬時に感じられます。
  2. リアルタイム用のストリーミング — 音声エージェントにはconvertの代わりにconvert_as_streamを使用してください。最初のオーディオチャンクは約200msで到着します。
  3. 音声設定の調整 — 表現力豊かなナレーションには低い安定性(0.3-0.5)を、一貫性のある音声エージェントには高い安定性(0.7-0.9)を使用してください。
  4. WebRTC用のPCM出力 — WebRTC/LiveKitにフィードする場合は、pcm_24000またはpcm_16000出力形式を使用してください。デコードのオーバーヘッドがありません。
  5. 音声ライブラリ — クローニングする前に、ElevenLabsの音声ライブラリ(1000以上の音声)を参照してください。多くのプロフェッショナルな音声がすでに利用可能です。
  6. 発音辞書 — 医療用語、ブランド名、技術用語のカスタム発音ルールをアップロードしてください。
  7. 文字数課金 — ElevenLabsは文字数ごとに課金します。一般的なフレーズや挨拶をキャッシュして、コストを削減してください。
  8. SSMLのような制御 — 自然な一時停止のために、テキストに<break time="0.5s"/>を使用してください。電話メニューオプションに役立ちます。
📜 原文 SKILL.md(Claudeが読む英語/中国語)を展開

ElevenLabs — AI Voice Synthesis & Cloning

Overview

You are an expert in ElevenLabs, the AI voice platform for high-quality text-to-speech, voice cloning, and conversational AI. You help developers build voice-enabled applications with natural-sounding speech, custom voice creation, multilingual support, and real-time streaming TTS for voice agents, audiobooks, podcasts, and accessibility features.

Instructions

Text-to-Speech

# Basic TTS — generate audio from text
from elevenlabs import ElevenLabs

client = ElevenLabs(api_key=os.environ["ELEVENLABS_API_KEY"])

# Generate and save audio
audio = client.text_to_speech.convert(
    voice_id="pNInz6obpgDQGcFmaJgB",    # "Rachel" — warm, professional
    text="Welcome to Bright Smile Dental. How can I help you today?",
    model_id="eleven_turbo_v2_5",         # Optimized for low latency (~200ms)
    voice_settings={
        "stability": 0.6,                 # Lower = more expressive, higher = more consistent
        "similarity_boost": 0.8,           # How closely to match the original voice
        "style": 0.3,                      # Style exaggeration (0-1)
        "use_speaker_boost": True,         # Enhance clarity
    },
)

# Save to file
with open("greeting.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

# Streaming TTS — for real-time applications
audio_stream = client.text_to_speech.convert_as_stream(
    voice_id="pNInz6obpgDQGcFmaJgB",
    text="Let me check our available appointments for next Tuesday.",
    model_id="eleven_turbo_v2_5",
    output_format="pcm_24000",            # Raw PCM for WebRTC/LiveKit
)

for chunk in audio_stream:
    send_to_audio_output(chunk)            # Stream directly to speaker

Voice Cloning

# Instant voice clone — from a single audio sample
voice = client.voices.add(
    name="Dr. Smith",
    files=[open("dr_smith_sample.mp3", "rb")],
    description="Calm, authoritative male voice for medical context",
    labels={"use_case": "voice_agent", "language": "en"},
)
print(f"Cloned voice ID: {voice.voice_id}")

# Professional voice clone (higher quality, requires consent)
# Needs 30+ minutes of clean audio for best results

Conversational AI Agent

# ElevenLabs Conversational AI — fully managed voice agent
from elevenlabs import ConversationalAI

agent = ConversationalAI(
    api_key=os.environ["ELEVENLABS_API_KEY"],
    agent_id="your-agent-id",             # Created in ElevenLabs dashboard
)

# WebSocket connection for real-time conversation
async def handle_call(websocket):
    async for audio_chunk in websocket:
        # Send caller audio to ElevenLabs
        response = await agent.process_audio(audio_chunk)
        # Send AI response audio back to caller
        await websocket.send(response.audio)

JavaScript / React

// Browser-based TTS
import { ElevenLabsClient } from "elevenlabs";

const client = new ElevenLabsClient({ apiKey: process.env.ELEVENLABS_KEY });

// Stream audio in browser
const response = await client.textToSpeech.convertAsStream(voiceId, {
  text: "Hello! How can I assist you?",
  model_id: "eleven_turbo_v2_5",
  output_format: "mp3_44100_128",
});

// Play audio using Web Audio API
const audioContext = new AudioContext();
const reader = response.getReader();
// ... decode and play chunks

Available Models

Model Latency Quality Best For
eleven_turbo_v2_5 ~200ms High Voice agents, real-time apps
eleven_multilingual_v2 ~400ms Highest Multilingual, audiobooks
eleven_english_v1 ~300ms Good English-only, cost-sensitive

Installation

pip install elevenlabs                    # Python
npm install elevenlabs                    # Node.js

Examples

Example 1: User asks to set up elevenlabs

User: "Help me set up elevenlabs for my project"

The agent should:

  1. Check system requirements and prerequisites
  2. Install or configure elevenlabs
  3. Set up initial project structure
  4. Verify the setup works correctly

Example 2: User asks to build a feature with elevenlabs

User: "Create a dashboard using elevenlabs"

The agent should:

  1. Scaffold the component or configuration
  2. Connect to the appropriate data source
  3. Implement the requested feature
  4. Test and validate the output

Guidelines

  1. Turbo model for voice agents — Use eleven_turbo_v2_5 for real-time conversations; 200ms latency feels instant
  2. Streaming for real-time — Use convert_as_stream instead of convert for voice agents; first audio chunk arrives in ~200ms
  3. Voice settings tuning — Lower stability (0.3-0.5) for expressive narration; higher (0.7-0.9) for consistent voice agents
  4. PCM output for WebRTC — Use pcm_24000 or pcm_16000 output format when feeding into WebRTC/LiveKit; no decoding overhead
  5. Voice library — Browse ElevenLabs' voice library (1000+ voices) before cloning; many professional voices are already available
  6. Pronunciation dictionary — Upload custom pronunciation rules for medical terms, brand names, and technical jargon
  7. Character count billing — ElevenLabs bills per character; cache common phrases and greetings to reduce costs
  8. SSML-like control — Use <break time="0.5s"/> in text for natural pauses; helps with phone menu options