AIキャラに声を付けたい。ゲームに効果音を入れたい。でも音声合成APIのドキュメントを読み解くのが面倒で、気づいたら後回しになっている。
わかる。自分もそう思ってた。
結論から言うと、Claude Code に ElevenLabs の Agent Skills を入れると、ターミナルから「このテキストを日本語で読み上げて」と打つだけで音声ファイルが出てくる。APIのパラメータを調べる必要がない。スキルが代わりに教えてくれるからだ。
・AIキャラや NPC に声を付けたいけど、音声合成APIの導入が億劫
・ゲーム開発中に効果音や BGM をサクッと試作したい
・VTuber 配信のアーカイブをテキスト化したい
・Claude Code をコード生成以外にも活用したい
そんな作り手に向けて、ElevenLabs Skills の全体像と、AIキャラ開発・ゲーム制作での活かし方を整理する。
Agent Skills は「AIエージェント向けの指示書」
ElevenLabs Skills を理解するには、まず Agent Skills という仕組みを押さえておく必要がある。
Agent Skills は、Claude Code や Cursor といったAIコーディングアシスタントに特定の機能を追加するためのオープン仕様だ。実体は Markdown ファイル（SKILL.md）で、中には「こういう依頼が来たら、こういうコードを書いて実行しろ」という手順とリファレンスコードがまとまっている。
重要なのは、スキル自体がAPIを叩くわけではないという点。スキルは「どう書くか」を教えてくれる存在であって、実際のコード生成と実行はあくまで Claude Code 側が担う。APIのラッパーではなく「APIの正しい使い方を知っている指示書」——それが Agent Skills の立ち位置だ。
たとえば ElevenLabs のAPIを素で使おうとすると、voice_id の指定方法、model_id の選び方、SDK のバージョン違いによるハマりどころなど、ドキュメントを何度も往復することになる。スキルが入っていれば、Claude Code が SKILL.md を参照しながらそのあたりを勝手に解決してくれる。ドキュメント検索の往復がゼロになる。これが地味に大きい。
導入は npx skills add elevenlabs/skills を一発実行するだけ。Claude Code 向けには .claude/skills/ 配下にスキルファイルが配置される。GitHub CLI の gh skill install コマンドでも同じスキル群を導入できる。
7 つのスキルで何ができるか
ElevenLabs が公開しているスキルは以下の 7 つだ。
- text-to-speech: テキストから AI 音声を生成（70 以上の言語対応）
- speech-to-text: 音声をテキストに書き起こし（90 以上の言語対応）
- sound-effects: テキスト説明から効果音を生成
- music: テキストプロンプトから音楽トラックを生成
- agents: 会話型音声 AI エージェントの構築
- voice-isolator: 背景ノイズを除去して声だけ抽出
- setup-api-key: API キーの取得・設定ガイド
この中で、AIキャラ開発やゲーム制作の現場に直結するのは上の 4 つだ。順に掘り下げていく。
Text-to-Speech — AIキャラの「声」を生む
AIキャラや NPC に声を持たせたいとき、最初に触ることになるのがこのスキルだ。
モデルの選び方で品質が変わる
ElevenLabs の音声合成には用途別の複数モデルが用意されている。
- eleven_v3: 最高品質。感情表現に強く、70 以上の言語に対応。AIキャラの台詞読み上げに向く
- eleven_multilingual_v2: 多言語対応の高品質モデル。長文の読み上げに安定した出力が得られる
- eleven_flash_v2_5: 超低レイテンシ（約 75ms）。リアルタイムの対話応答向け
AIキャラの台詞を生成するなら、品質重視で eleven_v3 が第一候補になる。ゲーム内 NPC との会話のようにリアルタイム応答が求められる場面では、eleven_flash_v2_5 の低遅延が活きてくる。用途によって最適解がはっきり分かれるので、最初にどのモデルを使うか決めてから進めたほうがいい。
日本語で使うならモデル選択に注意
日本語の読み上げでは、モデルによって漢字の読み間違いが起きることがある。eleven_multilingual_v2 では「試して」が「示して」と読まれるような、字形の近い漢字の混同が確認されている。eleven_v3 に切り替えると同じテキストでも正しく読み上げられるので、日本語メインの AIキャラなら eleven_v3 を選んでおくのが安全だ。
ボイスはプリセットに加えて、ダッシュボードで作成したカスタムボイスも指定できる。自分だけの AIキャラ専用ボイスを作り込みたい人にはここが肝になる。
Sound Effects と Music — ゲーム素材の試作が変わる
効果音: プロンプトの具体性が品質を決める
sound-effects スキルは、テキストで場面を説明するだけで効果音を生成してくれる。
生成パラメータとして、デュレーション（0.5〜30 秒）、プロンプトへの忠実度（0〜1 のスケール）、シームレスループの ON/OFF が指定できる。ゲームの環境音素材としてループ再生したいとき、最初からループ対応の音源を生成できるのは実用的だ。
効果音の品質はプロンプトの具体性に大きく左右される。「Rain」とだけ書くより「Heavy rain on a tin roof with distant thunder」のように場面を細かく描写したほうが、イメージに近い音が出る。画像生成 AI のプロンプトエンジニアリングと同じ原理で、抽象的な指示ほど結果がブレやすい。
音楽: インディーゲームの BGM 試作にちょうどいい
music スキルはテキストプロンプトから音楽トラックを生成する。インストゥルメンタルだけでなく、歌詞付きの楽曲にも対応している。
ミリ秒単位で長さを指定でき、composition_plan という仕組みを使えばスタイルやセクション構成まで細かく制御できる。ゲームのプロトタイプ段階で「こんな雰囲気の BGM が欲しい」をその場で試せるのは、開発のイテレーション速度に直結する。
ただし、音楽の生成にはそれなりの待ち時間が発生する。短いトラックでも即座には返ってこないので、長尺 BGM の量産には向かない。あくまで「雰囲気を掴むための試作ツール」と割り切って、本番素材は専用の制作環境で仕上げるのが現実的だ。
Speech-to-Text — 音声データをテキスト資産に変える
speech-to-text は、90 以上の言語に対応した音声書き起こしスキルだ。話者分離やワードレベルのタイムスタンプにも対応しているので、「誰がいつ何を言ったか」まで構造化できる。
対応フォーマットの広さが目を引く。MP3・WAV・M4A・FLAC・OGG といった音声ファイルに加え、MP4 や MOV の動画ファイルからも直接テキスト化できる。ファイルサイズは最大 3GB、最大 10 時間まで対応。
VTuber 配信のアーカイブを検索可能なテキストに変換する。ゲーム実況の字幕データを自動生成する。開発ミーティングの録音を議事録に起こす。こうした用途がターミナルから一言で完結する。
モデルは 2 種類。高精度バッチ処理向けの scribe_v2 と、低レイテンシ（約 150ms）リアルタイム向けの scribe_v2_realtime。配信のリアルタイム字幕には後者、アーカイブの一括処理には前者と使い分ける。
「スキルを足す」設計が Claude Code の立ち位置を変える
ここまで個別機能を見てきたが、自分が一番面白いと感じたのは「スキルを足す」という設計パターンそのものだ。
自分は普段から Claude Code のスキル機能を活用していて、たとえばコードレビュー作業を独自スキルとして型化し、繰り返し使える形に整理している。その延長で ElevenLabs Skills を見ると、この仕組みの汎用性に改めて気づく。
ElevenLabs Skills の登場で、Claude Code は「コードを書くツール」から「マルチメディア制作ツール」に一歩進んだ。テキスト出力しかできなかったエージェントに、音声と音楽の出力チャンネルが加わったわけだ。効くんですよ、この拡張が。地味だけど確実に。
Agent Skills 仕様はオープンなので、今後ほかのサービスからも同じ形式でスキルが出てくる可能性がある。画像生成や 3D モデリングのスキルが揃えば、Claude Code 一つでテキスト・音声・画像・3D を扱うマルチモーダルな制作環境に近づいていく。
ElevenLabs の API は従量課金制で、有料プランのほかに無料枠も用意されている。まずは無料枠で自分のワークフローに合うか試してみるのがいい。
音声合成ワークフローの構築や、ゲーム音響制作への AI 活用は、AIキャラ運用やインディーゲーム開発の受託案件で差別化ポイントになり得る。Agent Skills の設計パターンごと理解しておくと、提案の幅が広がる。
まとめ
- ElevenLabs Skills は、Claude Code に音声合成・効果音・音楽・文字起こし機能を追加する Agent Skills セット
- スキルの実体は「APIの使い方を教える指示書（SKILL.md）」。導入は
npx skills addで完結する - AIキャラの声の生成、ゲーム素材の試作、配信アーカイブのテキスト化など、クリエイター寄りの用途に強い
【PR】関連ツール・サービス
AI × ものづくりの拠点づくりに。XServerショップはポートフォリオサイトや作品販売ページの構築に使える。
キャッチコピーや SNS 投稿文の作成を AI に任せるなら。TOSSYはライティング特化の AI ツール。
Python で音声 AI の開発を始めるなら基礎力が要る。Python Winnerは初心者から実務レベルまでカバーする学習プログラム。
【PR】おすすめの書籍
記事の内容に関連する書籍を紹介させてほしい。
音声合成×AI講義制作の教科書: 台本から映像まで自動化する教育コンテンツ革新
「音声合成×AI講義制作の教科書: 台本から映像まで自動化する教育コンテンツ革新」は、音声合成とAIを掛け合わせて制作を自動化したい人におすすめの一冊。台本から映像まで通しで設計するヒントが詰まっている。
「ゲームAI技術入門──広大な人工知能の世界を体系的に学ぶ」は、AIキャラやNPCの振る舞いを設計したい開発者向けの一冊だ。ゲームならではのAI活用を体系的に学べる。
コメント