ElevenLabs、画像・動画生成APIの提供開始を発表

AI音声技術を手がける米ElevenLabsの開発者向け公式アカウント（@ElevenLabsDevs）は、画像や動画を生成可能な新API「Image & Video API」の提供開始を発表した。従来の音声生成（Speech）で利用されている既存のAPI体系に統合され、開発者は単一のインターフェースから多彩なメディア生成モデルを呼び出せるようになる。

18モデルに対応した統合APIの仕様と対応状況

ElevenLabsの発表によると、新しいImage & Video APIでは計18種類もの生成モデルがサポートされている。

公式発表で例示された主要モデルは以下のとおりである。

• ​動画生成モデル​: 「Veo 3.1」「Seedance 2.5」
• ​画像生成モデル​: 「GPT Image 2.5」「Nano Banana Pro」

開発者は、音声合成の用途で導入済みのElevenLabs APIクライアントやエンドポイント構成をそのまま活用し、画像や動画の生成リクエストを実行できる。認証や課金基盤を一本化し、メディア生成ワークフローの導入ハードルを下げる狙いがある。

メディア生成パイプラインの統合と開発効率の比較

従来、音声付き動画コンテンツを自動生成するシステムを構築する場合、音声生成にはElevenLabs、画像生成や動画生成には各モデル提供元（OpenAI、Googleなど）のAPIを個別に契約・実装する必要があった。

これに対し、ElevenLabsのImage & Video APIを活用することで、以下のメリットが生まれる。

項目	従来の個別実装	Image & Video API導入後
API契約・認証管理	音声・画像・動画で個別管理が必要	ElevenLabsのアカウント・APIキーに一本化
モデル切り替え	プロバイダーごとに異なるSDKやパラメータ対応が必要	同一のAPI体系内でモデル名を指定して切り替え可能
パイプライン設計	複数サービスのレート制限や課金を個別監視	単一ダッシュボードで利用状況を一元把握

音声と映像を組み合わせたソーシャル動画の自動生成や広告クリエイティブ制作、ゲーム向け動的アセット生成などを行う開発者にとって、実装工数の大幅な削減が期待できる。

未確認事項とマルチモーダルプラットフォームへの展望

現時点での留意点として、18種類の各モデルを利用した際のトークン・クレジット消費レート、生成可能な最大解像度やフレームレート、商用利用時のライセンス条件の詳細は、各開発者向けコンソールやAPIドキュメントでの確認が求められる。

ElevenLabsはこれまで高品質な音声合成・ボイスクローニング分野で業界をリードしてきたが、今回の画像・動画APIの追加により、包括的なマルチモーダル（テキスト、音声、画像、動画など複数の異なるデータ形式を統合して扱う技術）生成プラットフォームへの進化を鮮明にした。競合する生成AIサービスとの差別化や開発者コミュニティでの普及度合いが注目される。

引用元：X (Twitter)