ElevenLabsは10月29日、効果音モデルSFX v3を公開した。新モデルは1回の生成で複数の音を順序通りに表現でき、クリエイターは場面の効果音を分割して生成し、手作業でつなぎ合わせる必要がなくなった。モデルはElevenCreativeの各画面とElevenAPIで利用できる。
1つのプロンプトに、場面全体の音を収める
従来のテキスト生成効果音の流れでは、複数の音を含む場面は分割して生成することが多かった。まず観客の歓声、次にボールの落下音、最後に同じ観客のブーイングを生成し、編集でタイミングを合わせる必要があった。SFX v3は複数の指示を含むプロンプトを受け付け、記述された順序でそれらの音を1回の生成に入れる。ElevenLabsは公式説明で、カテゴリ名だけを書くよりも、動作、場面、雰囲気、演技を書き込む方が効果的だと例示している。「雨」とだけ書くのではなく、「静かなアパートで窓を打つ雨」と書く方がよいという。
複数の音を一度に生成することに加え、SFX v3は音楽とボーカルの処理も改善し、高音域のノイズが減ったため、ゴング、チャイム、ホイッスルといった刺さりやすい音がよりクリーンに聞こえる。ElevenLabsによれば、新モデルは内部評価でSFX v2を全面的に上回るが、比較表の全文は公開されていない。クリエイターは自分の常用プロンプトを両バージョンで試してから切り替えを決めるのがよい。
使える場所
SFX v3はElevenCreativeの主な入口をカバーしている。Flows、効果音タブ、Studio、音楽エディターで使え、モバイルアプリでも利用できる。開発者はElevenAPI経由で呼び出し、モデルIDはeleven_text_to_sound_v3。SFX v2が引き続き既定モデルなので、切り替えにはモデルIDの変更が必要だ。
仕様としては、1つの効果音は最大30秒、出力はMP3で、ループしない効果音は48kHz WAVでも出力でき、長い環境音はシームレスにループできる。課金は効果音エンドポイントの既存ルールに従い、長さを指定した場合は秒単位でクレジットが課金される。ElevenLabsは生成ごとのクレジット価格の変更を発表していない。
残る3つの境界
第一に、正確な回数は依然として当てにならない。「4回叩く」といった要求は正しく数えられないことがあり、重要なリズムは後工程で確認が必要だ。第二に、SFX v3は現在限定公開で、一部の地域やアカウントでは呼び出し時にモデル不明のエラーが出る。その場合は公開範囲の拡大を待つしかない。第三に、効果音のつなぎ合わせという細かい作業は省けるが、セリフ設計、作曲、最終ミックスの代わりにはならない。1つのプロンプトで場面の骨格は描けるが、仕上がりの質は最終的に人のミックス次第だ。
