ElevenLabs APIで音声と字幕を保存する

音声と文字時刻を、一つの応答で受け取る

公式のCreate speech with timingは、音声データと文字ごとの時刻を返します。音声をMP3へ保存し、文字時刻を短い字幕のまとまりへ変換すれば、別々に手入力する工程を減らせます。生成した音声を再生し、字幕の読みやすさは最後に確認します。

このサイトではAPIキーを使った有料の生成は実行していません。コードは構文とローカルの応答変換を検査しています。モデル・声・出力形式は契約と公式APIで確認してください。

python elevenlabs-with-subtitles.py script.txt --out output

実行環境の環境変数にAPIキーとVOICE_IDを設定してから使います。キーを記事、台本、共有ファイルへ書き込まないでください。最初は一文の台本で実消費を確認し、長い原稿はそのあとにします。モデルはMODEL_ID環境変数で指定できます。

状態	確認すること
認証エラー	キーの有効性と利用権限。キーそのものをログに出さない。
voice/modelエラー	声とモデルの組み合わせ、アカウントでの利用可否。
音声はあるが字幕時刻がない	alignmentが空か。タイミングを返すAPIを使っているか。
字幕が細かすぎる	文字数で分割する目安と句読点。発話と読める長さを確認。

ダウンロードしたコードは失敗した生成を自動で繰り返しません。料金と消費を確認してから、自分で再実行する形です。

公式情報の確認日：2026年10月8日。画面・プラン・利用条件は変わることがあります。この確認用サイトにはアフィリエイトリンクを設定していません。