SAME SPEAKER

KOE vs ElevenLabs — 同一話者ベンチマーク

同じ声（本人クローン）・同じ14文・同じ採点条件で比べた記録です。2026-11-04 実測。

これまでの比較は、話者が違いました。KOE は男性の yuki、比較側は女性の Matilda。声が違えば、自然さも「人間らしさ」も当然ずれます。

今回はどちらも本人（濱田優貴）のクローン声に揃えました。KOE は yuki、ElevenLabs は本人クローン（eleven_v3）。14文のプレゼン台本を、同じ前処理・同じ指標で測っています。

結論から言うと、速度を揃えた条件では、読みの正確さ（CER）に有意差はなく（0.086 vs 0.079、p=0.27）、自然さ（NISQA）は ElevenLabs がわずかに上（3.91 vs 4.22、p=0.020）、「人間の声」判定・帯域・高域も ElevenLabs が上でした。ただし KOE の既定速度は比較側より約1.5倍速く、そのままでは条件が揃いません。速度を揃えた結果も併記しています。

比較した文

話者（同一人物のクローン）

評価指標

1.01×

速度を揃えた後の長さ比

全体スコア（速度を揃えた条件）

KOE speed=0.65 で生成し、ElevenLabs とほぼ同じ長さに揃えた比較です（合計 338.0 秒 vs 342.7 秒）。差は「KOE − ElevenLabs」。p は Wilcoxon 符号付順位検定（両側・n=14）。

注意：KOE の speed=0.65 は 14文中1文（ja-6）でキャッシュが速度を反映せず、既定速度と同じ音声が返りました。この1文だけ速度条件が揃っていません。全体の傾向には影響しませんが、隠さず書いておきます。

速度を変えた場合の比較

KOE の既定速度（speed=1.0）のまま比較した場合です。KOE は ElevenLabs より約1.53倍速く、合計 223.9 秒 vs 342.7 秒。速い分だけ情報量が多く、CER と自然さの評価が変わります。

聴き比べ

同じ文を両方で読み上げた音声です（どちらも −23 LUFS に正規化）。ヘッドホン推奨。KOE は速度を揃えた版を既定で再生します。各カードの「既定速度」「文字起こし」も確認できます。

文ごとの数値

速度を揃えた条件の全14文です。太字は各指標で良い方。

ID	NISQA	Human率	CER	帯域 (Hz)	高域 (dB)

測定方法

話者：どちらも本人（濱田優貴）のクローン声。KOE は yuki、ElevenLabs は本人クローン VneiyrGsB8R1ym9S1XYl（eleven_v3）。
コーパス：14文。プレゼン台本のナレーション原稿をそのまま使用（読み間違いを避けるため一部カナ表記）。
ElevenLabs 側：2026-06-03 に eleven_v3 で生成済みの音声をそのまま使用。現在のプランではクローン声の新規生成ができず（ivc_not_permitted）、API クレジットも 0 のため、再生成はしていません。生成条件（stability 0.45 / similarity 0.9 / style 0.3 / speaker boost 有効）は当時のスクリプトから確認しています。
KOE 側：2026-11-04 に koe.live 本番の teai 音声ゲートウェイ経由で同一文を生成。後処理なし。速度は既定（1.0）と 0.65 の2条件。
正規化：両者とも ffmpeg loudnorm（I=−23 LUFS / TP=−2 dB）、48kHz モノラル。
指標：NISQA v2 MOS（48kHz）/ Hemgg/Deepfake-audio-detection の「人間の声」確率（16kHz）/ mlx-whisper large-v3-turbo の文字誤り率（日本語はかなに正規化、記号・空白を除去）/ 帯域（48kHz パワースペクトルの累積が全エネルギーの 99.9% に達する上限周波数）/ 高域（8kHz 以上のエネルギーを、音声帯域 300–3400Hz に対する dB で表したもの）。
検定：Wilcoxon 符号付順位検定（両側・n=14）。多重比較の補正はしていません。
限界：文数は14で、話者は1人です。話者の違いを除いた代わりに、その話者・その原稿に固有の結果であることは否めません。ElevenLabs 側の音声は生成時期が約5か月前で、現在のモデルとは異なる可能性があります。
自動指標は人の聴感と一致しないことがあります。最終判断はご自分の耳で。