ElevenLabsのファインチューニングとは？自社データでモデルを育てる方針

ElevenLabsのファインチューニング方針は、企業が自社データでモデルを追加学習し、やり取りのたびに自社の優位性を広げられるようにするという構想です。ElevenLabsは公式Xアカウントで、CNBCの番組に出演したMati氏（@mati）の発言として「Customers will be able to fine-tune and train the models with their own data, and extend their advantage based on every interaction.」と紹介しました。

室谷代表取締役

ElevenLabsが自社データでのファインチューニング方針を打ち出した、というニュースなんですよね。公式XではCNBCの番組での発言として紹介されていて、要は「顧客が自分たちのデータでモデルを微調整し、やり取りのたびに優位性を拡張できるようにする」という話です。

テキトー教師DotAI 認定講師

これは単に「新機能が出た」という話じゃないんですよ。ElevenLabsは「多くの企業向けAIソリューションが、すべての顧客対応を同じやり方で処理している」と問題提起していて、そこに自社データで差をつける仕組みをぶつける構図になっています。

室谷代表取締役

画一的な対応からの脱却、という文脈ですね。ただ、この投稿自体は方針表明なので、提供時期や料金、対象範囲の詳細までは示されていないんですよ。

だから今日は、すでに提供されているMusic Finetunesという具体例から、ElevenLabsにおけるファインチューニングの実像を掘っていくのがよさそうです。

テキトー教師DotAI 認定講師

賛成です。方針の話と、実際に動いている機能の話を分けて整理すると、受講生さんにも説明しやすいんですよね。

ElevenLabsのファインチューニング方針とは？CEOがCNBCで表明した内容

室谷代表取締役

まず前提を正確にしておきたいんですけど、公式Xの投稿で確認できるのは「@matiというアカウントの発言」というところまでなんですよね。役職やフルネームは投稿には書かれていません。

テキトー教師DotAI 認定講師

そうなんですよ。だから本記事では「Mati氏（@mati）」と表記するに留めます。

ここを勝手に「CEOの何某氏」と書いてしまうと、ファクトチェックで崩れる箇所になるので。

室谷代表取締役

そのうえで中身です。発言は2段構えで、1つ目が「顧客が自社データでモデルをファインチューニングし、訓練できるようになる」、2つ目が「あらゆるインタラクションに基づいて優位性を拡張できる」。

つまり学習の入り口（自社データでの訓練）と、その後の積み上げ（やり取りごとの改善）の両方を語っているわけです。

テキトー教師DotAI 認定講師

ここでいうファインチューニングは、プロンプトで毎回スタイルを指示するのではなく、モデル自体を自社仕様に寄せる手法です。背景ブリーフでも「既製のAIモデルを自社独自のデータで追加学習させ、自社の文体・音声・ブランドに合わせてカスタマイズする手法」と整理されています。

室谷代表取締役

プロンプトは毎回の指示、ファインチューニングはモデルの性格そのものを変える、という違いですね。MYUUUでも生成AIを使う場面は多いんですけど、毎回同じトーンをプロンプトで指定し直すのは地味にコストなんですよ。

そこをモデル側に寄せられるなら、運用の考え方が変わります。

テキトー教師DotAI 認定講師

しかもElevenLabsは「すべての顧客対応を同じように処理している」という現状認識を添えています。これは音声合成の会社が顧客対応の領域に踏み込む話でもあって、単なる音声モデルの話じゃないんですよ。

室谷代表取締役

音声・音楽・エージェントと製品が横に広がっている会社だからこそ、この方針が効いてくるんでしょうね。ただ、現時点で発表されているのは方針レベルで、具体的な提供条件は明らかにされていません。

ここは記事として明記しておきたいところです。

ElevenLabsでできること——音声・音楽・顧客対応それぞれのカスタマイズ

室谷代表取締役

じゃあ実際にElevenLabsで何がカスタマイズできるのか、公式ドキュメントの範囲で整理していきましょう。まず音声です。

Eleven v4は90以上の言語に対応し、高精度な声のクローニングを備えています。

テキトー教師DotAI 認定講師

音声合成のモデル一覧を見ると、Eleven v4は感情表現に優れた旗艦モデルで、10,000文字の制限、複数話者の自然な対話サポートという特徴があります。リアルタイム向けのEleven v4 Turboは中央値で約100msの低遅延です。

室谷代表取締役

日本語も対応言語に入っていますよね。Eleven v4の対応言語リストにはJapanese（ja）が明記されています。

テキトー教師DotAI 認定講師

入っています。ここは日本のユーザーにとって重要なポイントです。

音声のクローニングと多言語対応が土台としてあって、その上に自社データでのファインチューニングという話が乗ってくる構造ですね。

室谷代表取締役

次が音楽です。Eleven Music v2はテキストプロンプトからスタジオ品質の音楽を生成できて、ジャンル・スタイル・構造をコントロールできる。

ボーカル有りにもインストゥルメンタルにも対応で、英語・スペイン語・ドイツ語・日本語などを含む多言語対応です。

テキトー教師DotAI 認定講師

そしてこの音楽領域に、すでに具体化されたファインチューニングの仕組みがあるのがMusic Finetunesです。ここが今回の記事の肝なんですよ。

方針の「予告」ではなく「実装例」がすでに存在している。

室谷代表取締役

3つ目が顧客対応、ElevenAgentsです。公式ドキュメントには、無音期間中のモデル推論を減らすことでコストを抑えられる仕組みがあり、その期間は通常の1分あたり料金の5%で課金される、といった記述があります。

テキトー教師DotAI 認定講師

ナレッジベースとRAGで自社情報を反映させる仕組みも用意されています。ファインチューニングとは別レイヤーで、自社コンテキストを反映させる手段がすでにあるわけです。

この2つをどう使い分けるかは、実務で必ず聞かれる論点になりますね。

室谷代表取締役

RAGは参照資料を毎回引いてくる、ファインチューニングはモデルに染み込ませる。用途で使い分けるという整理ですね。

Music Finetunesの使い方・始め方——アップロードから独自モデル生成まで

室谷代表取締役

ここからはMusic Finetunesの具体的な手順です。公式ブログとドキュメントがかなり細かく書いてくれているので、順番に整理するとこうです。

テキトー教師DotAI 認定講師

まずElevenCreativeのFinetunesセクションに移動して「Create Finetune」を選び、反映したいスタイルを代表する音源を1本以上アップロードします。

室谷代表取締役

アップロードの制限が細かいんですよね。最大50トラック、各トラックは最小10秒・最大600秒、サイズは最大30MB、1つのFinetuneあたり合計250分まで。

テキトー教師DotAI 認定講師

で、アップロードがコンプライアンスチェックを通ると、作成が自動で始まります。所要時間はおよそ5〜10分。

できあがったFinetuneはライブラリに並ぶので、音楽生成のプロンプト画面でセレクターから選んで使う、という流れです。

室谷代表取締役

ここで大事なのが役割分担なんですよ。公式ドキュメントには「Finetuneがスタイルのアイデンティティを制御し、プロンプトが内容・ムード・テンポ・言語・構造を制御する」と書かれている。

つまりFinetuneは「誰の音か」を決めて、プロンプトは「何を作るか」を決める。

テキトー教師DotAI 認定講師

例として挙げられているプロンプトが「Upbeat jazz with warm female vocals at 124 BPM in Spanish.」です。ボーカルを特定の言語で出したいなら、言語を明示するのが推奨されています。

モデルはプロンプトの言語か英語にデフォルトするからです。

室谷代表取締役

あと、自前の音源を用意しなくても始められる導線がありますよね。11個のキュレーション済みFinetuneが用意されていて、Afro House、Reggaeton、Arabic Groove、70s Cambodian Rock、80s Nu-Disco Revival、1970s Rock Francais、Golden Hour Indie Guitar、Wooden Slit Drum、Brazilian Funk、Baile Beats、Mozart-Style Symphonyが選べます。

テキトー教師DotAI 認定講師

まずはこれで動きを掴んでから、自社音源でのFinetuneに進むという順番が現実的ですね。

室谷代表取締役

品質を上げるコツも公式に書かれています。データセットはスタイルの多様性を優先して、ほぼ同一の録音や同じトラックの繰り返しアップロードは避ける。

小さくても厳選されたデータセットのほうが、大きくて反復的なものより性能が良いことが多い、と。

テキトー教師DotAI 認定講師

出力が特定の元トラックに似すぎているならデータセットの多様性を増やす、逆に出力が凡庸ならデータセットを絞り込む。この調整方向が明示されているのは実務で助かりますね。

室谷代表取締役

評価の基準も面白くて「同じアーティストやブランドのものに聞こえるか、かつ特定のトラックのコピーには聞こえないか」という問いが用意されています。スタイル忠実性とオリジナリティの両立を同時に達成するのが良いFinetune、という定義ですね。

テキトー教師DotAI 認定講師

ここは講座でも強調したいところです。生成物の評価軸を先に決めておくと、データセット設計がぶれないんですよ。

料金・提供範囲——日本で使えるか、いつから企業向けに広がるか

室谷代表取締役

料金と提供範囲です。Music Finetunesは公式ブログに「Available to Creator+ subscribers」と明記されていて、Creator以上のサブスクライバーが利用できます。

テキトー教師DotAI 認定講師

つまり無料プランではなく、有料のCreatorプラン以上が対象ということですね。個別の金額については、この記事で使っている資料には記載がありません。

室谷代表取締役

そこは正直に「現時点では明らかにされていません」と書くべきところですね。公式の料金ページを確認するのが確実です。

テキトー教師DotAI 認定講師

日本で使えるかという点ですが、ElevenLabsのサイトは日本語表示に対応していて、Eleven v4の対応言語に日本語が入っていることは確認できます。Music Finetunes自体の地域制限についての記述は、今回の資料には見当たりません。

室谷代表取締役

著作権の扱いも提供範囲に関わるので触れておきたいんですけど、ここが厳しいんですよ。資格のあるEnterpriseプランでない限り、著作権のある素材はアップロードできません。

しかも「購入したトラックでも、ライセンスしたトラックでも、自分が配布しているトラックでも、自分が演奏アーティストでも」ダメだと明記されています。

テキトー教師DotAI 認定講師

つまり原則は、自分が完全に創作して所有しているオリジナル曲、第三者の著作権主張の対象にならない音声、著作権のあるサンプルやバッキングトラックや楽曲を含まない素材、この3つだけを上げるということです。

室谷代表取締役

アップロードは第三者の著作権コンプライアンスシステムで自動スクリーニングされて、著作権のあるトラックを含むFinetuneは却下され、コストも返金されない。ここは運用設計に直結するので、企業で使うなら最初に押さえるべきポイントですね。

テキトー教師DotAI 認定講師

一方で、資格のあるEnterprise顧客は、完全に所有・管理している自社知的財産でファインチューニングでき、第三者による著作権スクリーニングなしで済む。これは排他的に所有するカタログを持つ組織向けで、アカウントマネージャーに連絡して有効化する仕組みです。

室谷代表取締役

企業向けに広がるタイミングについては、今回のCNBCでの発言以上のスケジュールは示されていません。だから「いつから」という問いには、現時点では明らかにされていないと答えるのが正確です。

テキトー教師DotAI 認定講師

ここを曖昧にしたまま記事を書くと、後で読者に迷惑がかかりますからね。

なぜ今ファインチューニングなのか——『画一的な顧客対応』への問題提起

室谷代表取締役

なぜ今このタイミングでファインチューニングなのか。ElevenLabsの投稿の書き出しが「Most enterprise AI solutions handle every customer interaction the same way.」なんですよ。

テキトー教師DotAI 認定講師

多くの企業向けAIが、すべての顧客対応を同じやり方で処理している。これは裏を返すと、企業ごとの違いがAIの出力に反映されていない、という指摘です。

室谷代表取締役

背景ブリーフでは、資料が示しているのは「スタイルの一貫性」への需要だと整理されています。ブランドは広告・店舗・SNSをまたいで認識可能な音のアイデンティティを保ちたいけれど、生成のたびにゼロから作り直す負担がある。

テキトー教師DotAI 認定講師

アーティストや制作会社も、自らの音を再現可能な仕組みにしたいという声がある。この「自社データで自分仕様に育てる」流れを、音楽以外の顧客対応領域にも広げる構想と読めるわけです。

室谷代表取締役

公式ブログの言葉を借りるなら「Instead of starting from scratch, you build on what already defines you.」です。ゼロから始めるのではなく、すでに自分を定義しているものの上に積む。

この一文が方針の本質を突いていますよね。

テキトー教師DotAI 認定講師

ブランドにとっては、広告・小売・SNS・ライブ体験をまたいで認識可能な音のアイデンティティを、毎回クリエイティブをやり直さずに構築できる。アーティストやプロデューサーにとっては、自分のサウンドを形式化して、新しいアイデアを試作し、カタログを広げ、まとまりを保ちながらバリエーションを探れる。

室谷代表取締役

この価値は音楽に閉じないんですよね。顧客対応の音声エージェントが、自社の言い回しやトーンを毎回プロンプトで指定するのではなく、モデルに染み込んでいる状態。

それが実現すれば、運用の手間も品質のばらつきも変わります。

テキトー教師DotAI 認定講師

ただ、ここは構想の話なので、実装済みのMusic Finetunesと、これから広がる顧客対応領域を分けて読む必要があります。前者は手順も制限も公開されている、後者は方針が表明された段階です。

室谷代表取締役

その区別をしないと、記事が期待先行になってしまいますからね。

自社データで育てるAIの活用イメージと現時点の制約

室谷代表取締役

活用イメージを整理するとこうです。公式ドキュメントではMusic Finetunesの対象として、インディペンデントのミュージシャンやアーティスト、ブランドや代理店、コンテンツクリエイター、ゲーム・アプリ開発者、音楽テックプラットフォームやプロデューサーが挙げられています。

テキトー教師DotAI 認定講師

ブランドや代理店なら、ソニックロゴや委託制作した楽曲など、ブランドが所有するオリジナル音声をアップロードして、キャンペーン・小売・SNSコンテンツ・ライブ環境向けのFinetuneを作る。ゲームやアプリの開発者なら、オリジナルのサウンドトラック素材を基に、レベルやムードや環境をまたいだまとまりのあるバリエーションを生成する。

室谷代表取締役

過去のキャンペーントラックや自社ライブラリ、ステム、デモ、リリース済み楽曲をアップロードして、確立したトーン・ペース・構造を反映した新しいインストゥルメンタルやボーカル、フルトラックを生成できる。

テキトー教師DotAI 認定講師

ここで注意したいのが、Finetuneはスタイルを形作るもので、構造は形作らないという点です。だからプロンプトは明確で記述的に書く必要がある。

テンポ、ムード、楽器編成、言語を指定して、同じFinetuneに対して複数のプロンプトを試すのが推奨されています。

室谷代表取締役

現時点の制約も並べておきましょうか。整理するとこうです。

• 著作権のある素材は、資格のあるEnterpriseプランを除いてアップロード不可（購入済み・ライセンス済み・配布中・本人が演奏アーティストの場合でも不可）
• アップロードは第三者システムで自動スクリーニングされ、著作権を含むFinetuneは却下され、コストは返金されない
• アップロードは最大50トラック、各10〜600秒、各30MBまで、合計250分まで
• 作成にかかる時間はおよそ5〜10分
• 利用はCreator以上のサブスクライバー
• ボーカルを特定言語で出す場合は言語を明示する必要があり、既定はプロンプトの言語か英語

テキトー教師DotAI 認定講師

あと、公式ドキュメントのFAQには「Can the model reproduce my uploaded tracks?」という項目が用意されています。ただし今回の資料では回答本文までは確認できません。

室谷代表取締役

そこは「現時点では明らかにされていません」と正直に書いておきましょう。ただ、評価の指針として「特定のトラックのコピーに聞こえないか」という問いが示されているので、方向性としてはオリジナル性を保つ設計だと読めます。

テキトー教師DotAI 認定講師

あとは、学習済み以外の言語へのファインチューニングができないという制約が検索観点として挙がっていますが、今回の資料でそこまで明記されている箇所は確認できません。ここも断定は避けます。

室谷代表取締役

音楽モデル側の言語は英語・スペイン語・ドイツ語・日本語などとなっているので、日本語での音楽生成は土台として対応している、という言い方が正確ですね。

テキトー教師DotAI 認定講師

音声エージェントへの反映については、ElevenAgentsにナレッジベースとRAG、カスタムモデルといった項目がドキュメント上に並んでいることが確認できます。自社コンテキストを反映させる手段として、まずはRAGから始めるのが現実的でしょう。

室谷代表取締役

コスト最適化のドキュメントにも、独自データでファインチューニングしてより小さく効率的なモデルを作る、という選択肢が企業向けに言及されています。大量処理の特定タスクでは検討価値がある、という書き方ですね。

テキトー教師DotAI 認定講師

つまりElevenLabsの中では、音楽のFinetuneが先行実装、音声エージェント側はRAGやカスタムモデルで自社コンテキストを反映する段階、そして今回の発表でその先に自社データでのモデル訓練を広げる方針が示された、という三層で読むと整理しやすいんですよ。

室谷代表取締役

なるほど、それはきれいな整理ですね。今日の話をまとめると、方針は表明された、実装例はMusic Finetunesにある、顧客対応領域の詳細はこれから、というところです。

テキトー教師DotAI 認定講師

そうですね。続報が出たら、提供時期と対象プラン、それに企業向けのロールアウト条件を確認したいところです。

よくある質問

室谷代表取締役

最後に、よく聞かれる点をまとめておきます。

テキトー教師DotAI 認定講師

まず「ElevenLabsでファインチューニングできる対象は何か」。公式に手順まで公開されているのは音楽モデル向けのMusic Finetunesです。

音声についてはEleven v4が90以上の言語に対応し、高精度な声のクローニングを備えています。顧客対応領域への展開は方針として表明された段階で、詳細は明らかにされていません。

室谷代表取締役

「自分の音源でカスタムモデルを作るには何が必要か」。ElevenCreativeのFinetunesセクションからCreate Finetuneを選び、最大50トラック・合計250分まで、各トラック10〜600秒・30MBまででアップロードします。

コンプライアンスチェック通過後に自動で作成が始まり、およそ5〜10分で完成します。

テキトー教師DotAI 認定講師

「料金プランは」。Creator以上のサブスクライバーが利用可能です。

個別の金額は今回の資料には記載がありません。

室谷代表取締役

「著作権のある曲は使えるか」。資格のあるEnterpriseプランを除いて使えません。

購入済み・ライセンス済み・配布中・本人が演奏アーティストの場合でも不可です。アップロードは自動スクリーニングされ、著作権を含む場合は却下され、コストも返金されません。

テキトー教師DotAI 認定講師

「品質を上げるコツは」。データセットはスタイルの多様性を優先し、ほぼ同一の録音や同じトラックの繰り返しは避ける。

小さくても厳選されたデータセットのほうが良い結果になることが多い、と公式に書かれています。プロンプトではテンポ・ムード・楽器編成・言語を明示し、同じFinetuneに対して複数試すのが推奨です。

室谷代表取締役

「日本で使えるか」。ElevenLabsのサイトは日本語表示に対応し、Eleven v4の対応言語に日本語が含まれることは確認できます。

Music Finetunes固有の地域制限については、今回の資料に記述がありません。

テキトー教師DotAI 認定講師

「いつから企業向けに広がるか」。CNBCでの発言以上のスケジュールは示されていないため、現時点では明らかにされていません。

室谷代表取締役

というわけで、方針と実装を分けて追いかけたいニュースでした。続報が出たらまた整理しましょう。