developersIO
ElevenLabsのskillを試してみた

ElevenLabsのskillを試してみた

AI
2026.04.29

どうも！オペ部の西村祐二です！

今回はElevenLabsが公開しているskillsを試してみました。npx skills addコマンドなどで導入でき、Claude CodeやCursorなどから音声生成・音楽生成・文字起こしといったElevenLabs APIを呼び出せるようになります。

やったこと

ElevenLabs skillsをClaude Codeに導入し、公開されている7スキルのうち以下の4つを実際に試しました。

  • text-to-speech
  • sound-effects
  • music
  • speech-to-text

環境:

  • ツール: Claude Code + ElevenLabs skills
  • SDK: elevenlabs（Python）/ @elevenlabs/elevenlabs-js（JavaScript）

ElevenLabs skillsとは

ElevenLabs skillsは、ElevenLabsのAPI機能をAIコーディングアシスタントから利用するためのAgent Skills仕様準拠のスキルセットです。Agent SkillsはMarkdownファイル（SKILL.md）で定義された指示書のようなもので、AIエージェントが特定のタスクを実行する手順やリファレンスコードをまとめています。

利用可能なスキルは以下の7つです。

スキル 機能
text-to-speech テキストをAI音声に変換（70以上の言語対応）
speech-to-text 音声ファイルをテキストに書き起こし（90以上の言語対応）
sound-effects テキストの説明から効果音を生成
music テキストプロンプトから音楽を生成
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を抽出
setup-api-key APIキーの取得・設定ガイド

skillが入っていると何が変わるのか

skillが提供するのはAPIではなく「Claude Code向けの指示書（SKILL.md）」です。インストールしておくと、Claude Codeが起動時にskillのdescriptionを読み込み、ユーザーから「日本語のテキストを音声にして」のような依頼が来たときに、descriptionとマッチするskillを自動的に選んで、SKILL.md本文をその場で参照しながらコードを組み立ててくれます。

具体的には次のような効果がありました。

  • APIドキュメントを毎回検索しに行かなくて済む: SKILL.mdに voice_id のサンプル値、model_id の選択肢、text_to_speech.convert() の呼び出し方が含まれているので、Claude Codeはそれを参照してスクリプトを書ける
  • ハマりどころを回避できる: たとえばJavaScript側で古いelevenlabsパッケージ（v1.x）ではなく@elevenlabs/elevenlabs-jsを使う必要がある、といった注意書きがSKILL.md冒頭に書かれているので、誤ったパッケージで実装される可能性が下がる
  • コードを実行するのはskillではなく、あくまでClaude Code側: skill自体は「どう書くか」を教えてくれる存在で、実際のスクリプト生成・実行はClaude Codeが担う

今回も、SKILL.mdに書かれている voice_id="JBFqnCBsd6RMkjVDRZzb" （Georgeボイス）や model_id="eleven_multilingual_v2" をそのまま使ってサンプルスクリプトを書いてもらえました。

セットアップ

1. ElevenLabs APIキーの取得

ElevenLabsダッシュボードからAPIキーを取得し、環境変数 ELEVENLABS_API_KEY に設定します。

export ELEVENLABS_API_KEY="your-api-key"

2. skillsの導入

以下のコマンドで、ElevenLabsの全スキルをプロジェクトに追加できます。

npx skills add elevenlabs/skills

実行するとスキルファイルがインストールされ、Claude Codeから各スキルを呼び出せる状態になります。

gh skill install でも導入できる

GitHub CLIのgh skill拡張をインストールしている場合は、こちらのコマンドでも同じスキル群を導入できます。

https://dev.classmethod.jp/articles/gh-skill-agent-skills-management/

gh skill install elevenlabs/skills

実行すると、対象スキルとインストール先のエージェント、インストールスコープ（プロジェクト/ユーザー）を対話的に選択できます。

今回、すべてのSkillをインストールしました。

? Select skill(s) to install: (all skills)
? Select target agent(s): GitHub Copilot, Claude Code, Codex
? Installation scope: Project: xxxxxxxxxxxxxx (recommended)

Installing to .agents/skills for GitHub Copilot, Codex...
✓ Installed agents (from elevenlabs/skills@main) in .agents/skills
✓ Installed music (from elevenlabs/skills@main) in .agents/skills
✓ Installed setup-api-key (from elevenlabs/skills@main) in .agents/skills
✓ Installed sound-effects (from elevenlabs/skills@main) in .agents/skills
✓ Installed speech-to-text (from elevenlabs/skills@main) in .agents/skills
✓ Installed text-to-speech (from elevenlabs/skills@main) in .agents/skills
✓ Installed voice-isolator (from elevenlabs/skills@main) in .agents/skills

Installing to .claude/skills for Claude Code...
✓ Installed agents (from elevenlabs/skills@main) in .claude/skills
（以下略）

Claude Code向けには.claude/skills/配下に、Copilot/Codex向けには.agents/skills/配下にスキルファイルが配置されました。インストール後に表示されるgh skill previewコマンドでスキルの内容を事前にレビューできるので、未検証のスキルを取り込むときに便利です。

3. SDKのインストール

Pythonの場合（今回はuvを使いました）。

uv add elevenlabs

JavaScript/TypeScriptの場合。

npm install @elevenlabs/elevenlabs-js

今回試した時点でインストールされたPython SDKは elevenlabs 2.45.0 でした。

試してみる

text-to-speech

テキストからAI音声を生成するスキルです。70以上の言語に対応しており、用途に応じて複数のモデルが用意されています。

公式ドキュメント: Text to Speech | ElevenLabs Docs

Model ID 言語数 レイテンシ 用途
eleven_v3 70+ Standard 最高品質、感情表現
eleven_multilingual_v2 29 Standard 高品質、長文向け
eleven_flash_v2_5 32 ~75ms 超低レイテンシ、リアルタイム

日本語のテキストを eleven_multilingual_v2 モデルで読み上げてみます。

tts.py
from elevenlabs import ElevenLabs

client = ElevenLabs()

audio = client.text_to_speech.convert(
    text="こんにちは、ElevenLabsのテストです。今日はskillを試してみました。",
    voice_id="JBFqnCBsd6RMkjVDRZzb",  # George
    model_id="eleven_multilingual_v2",
)

with open("tts_output.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

uv run python tts.py で実行すると、tts_output.mp3（約74KB、MP3 128kbps / 44.1kHz / モノラル）が生成されました。voice_idでボイスを選択する形式で、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ます。

生成された音声はこちらから聞けます。「試して」が「示して」と読まれてました。

sound-effects

テキストの説明から効果音を生成するスキルです。ループ対応やデュレーション指定も可能です。

公式ドキュメント: Sound Effects | ElevenLabs Docs

パラメータ 型 デフォルト 説明
text string（必須） — 効果音の説明
duration_seconds number null（自動） 0.5〜30秒
prompt_influence number 0.3 プロンプトへの忠実度（0〜1）
loop boolean false シームレスループの生成

「ブリキ屋根に降る豪雨と遠くの雷鳴」を5秒間生成してみます。

sfx.py
from elevenlabs import ElevenLabs

client = ElevenLabs()

audio = client.text_to_sound_effects.convert(
    text="Heavy rain on a tin roof with distant thunder",
    duration_seconds=5.0,
    prompt_influence=0.5,
)

with open("sfx_output.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

実行すると sfx_output.mp3（約81KB、MP3 128kbps / 44.1kHz / ステレオ）が生成されました。プロンプトは具体的に書くほど結果が安定する傾向がありました。「Rain」より「Heavy rain on a tin roof」のように書くと、イメージに近い音が生成されやすかったです。

生成された音声はこちらから聞けます。

music

テキストプロンプトから音楽トラックを生成するスキルです。インストゥルメンタルだけでなく、歌詞付きの楽曲も生成できます。

公式ドキュメント: Music | ElevenLabs Docs

15秒のlo-fi hip hopトラックを生成してみました。

music.py
from elevenlabs import ElevenLabs

client = ElevenLabs()

audio = client.music.compose(
    prompt="A chill lo-fi hip hop beat with jazzy piano chords",
    music_length_ms=15000,
)

with open("music_output.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

実行すると music_output.mp3（約241KB、MP3 128kbps / 44.1kHz / Joint Stereo）が生成されました。15秒の生成でレスポンスが返ってくるまで体感で1分弱かかったので、長尺の生成では待ち時間に注意が必要そうです。

music_length_msでミリ秒単位の長さを指定します。また、composition_planを使うと、スタイルやセクション構成を細かく制御できます。

music_composition_plan.py
from elevenlabs import ElevenLabs

client = ElevenLabs()

plan = client.music.composition_plan.create(
    prompt="An epic orchestral piece building to a climax",
    music_length_ms=60000
)

# スタイルやセクションを確認・修正できる
print(plan.positiveGlobalStyles)

audio = client.music.compose(
    composition_plan=plan
)

生成された音楽はこちらから聞けます。

speech-to-text

音声ファイルをテキストに書き起こすスキルです。90以上の言語に対応し、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ます。

公式ドキュメント: Speech to Text | ElevenLabs Docs

Model ID 説明 用途
scribe_v2 高精度、90以上の言語 バッチ処理、字幕、長時間音声
scribe_v2_realtime 低レイテンシ（~150ms） リアルタイム文字起こし

先ほどtext-to-speechで生成した tts_output.mp3 を入力にして、スクリプトで文字起こしを行いました。

stt.py
from elevenlabs import ElevenLabs

client = ElevenLabs()

with open("tts_output.mp3", "rb") as audio_file:
    result = client.speech_to_text.convert(
        file=audio_file,
        model_id="scribe_v2",
    )

print(result.text)
print(getattr(result, "language_code", None))

実行結果は次の通りでした。

こんにちは。ElevenLabsのテストです。今日はスキルを示してみました。
jpn

書き起こしは「スキルを示してみました」になりました。これはspeech-to-text側の誤認識ではなく、前段のtext-to-speech時点で「試して（ためして）」が「示して（しめして）」と読み上げられていたことが原因です。speech-to-textはその音声を忠実に書き起こしたかたちです。
なお言語コード（jpn）の自動判定はこの短い入力でも正しく行われていました。

入力に使った音声は前述のtext-to-speechセクションのリンクから確認できます。

対応フォーマットも広く、MP3・WAV・M4A・FLAC・OGGなどの音声ファイルに加え、MP4やMOVといった動画ファイルからも文字起こしできます。ファイルサイズは最大3GB、最大10時間まで対応しています。

試してみてわかったこと

Claude Codeのターミナルから自然言語で音声生成や文字起こしを依頼できるのは、ワークフローとしてスムーズでした。「このテキストを日本語で読み上げて」と指示するだけで、スキル経由でAPIが呼ばれてファイルが生成されます。

各スキルを触ってみての気づきは次の通りです。

  • text-to-speech: 日本語のテキストでも全体としては自然な読み上げになったが、eleven_multilingual_v2 だと「試して」が「示して」と読まれてしまった。eleven_v3 に切り替えると同じテキストでも正しく読み上げてくれた
  • sound-effects: プロンプトの具体性で結果の安定度が変わった
  • music: 15秒程度でも生成に時間がかかり、長尺は待ち時間が気になりそう
  • speech-to-text: TTSで生成した音声をそのまま入力したところ、聴こえた通りに忠実に書き起こされた（合成側の読み間違いもそのまま再現された）

ElevenLabs APIは従量課金なので、用途に応じて料金ページを確認しておくと良さそうです。text-to-speechは文字数課金、musicやsound-effectsは生成回数ごとの課金になっていました。

まとめ

ElevenLabs skillsは、Agent Skills仕様のスキルとしてClaude Codeに導入できます。ElevenLabs APIのドキュメントを毎回確認しなくても、スキル側の指示書に沿ってClaude Codeがコードを組み立ててくれる点が、便利に感じたところでした。音声・音楽・文字起こしをコードに組み込みたい場面では、まず試してみる価値がありそうです。

誰かの参考になれば幸いです。

参考リンク:

この記事をシェアする

関連記事

Strands Agent の BidiAgent と OpenAI Realtime API を利用して音声がインターフェイスのエージェントを作ってみた #AWSreInvent
たかくに
2025.12.04
Claude Code の応答を Kokoro TTS でローカル音声読み上げしてみた
kasama
2026.03.24
Claude Code から自律AIエージェントにリアルタイムで話しかけてデバッグする仕組みを作った
lin-yuchen
2026.03.23
Claude Code の Agent Skills で iOS アプリの多言語対応を自動化する（xcstrings → XLIFF → AI翻訳）
和田 健司
2026.03.18