ElevenLabs 28 сентября представила Eleven v4 и Eleven v4 Turbo — новое поколение моделей, которые превращают текст в речь. Обычная v4 предназначена для озвучки, аудиокниг и диалогов персонажей, а Turbo — для быстрых ответов голосовых агентов. Обе поддерживают более 90 языков, включая русский, и точнее воспроизводят голос по образцу.
Что изменилось в Eleven v4
Eleven v4 построена на новой архитектуре. Главный акцент — выразительность: модель учитывает характер текста, ситуацию, ритм и эмоциональную подачу, сохраняя узнаваемость говорящего. Для сцены с несколькими персонажами она использует контекст разговора, чтобы реплики звучали как ответы друг другу. Это полезно для игровых диалогов, аудиоспектаклей и подкастов с несколькими голосами.
В документации моделей лимит обычной v4 составляет 10 000 символов на генерацию против 5000 у v3. Языковой охват вырос с более чем 70 до более чем 90 языков. Для длинных произведений ElevenLabs также улучшила соединение отдельных генераций: голос рассказчика должен устойчивее сохраняться между фрагментами и после перезаписи отдельных реплик.
В опубликованных ElevenLabs слепых сравнениях слушатели предпочитали v4 примерно в 75% случаев в среднем. Компания сопоставляла её с Cartesia Sonic 3.6, Inworld TTS-2 и обеими моделями Gemini 3.8 TTS, оценивая естественность и выразительность звучания.
Как управлять эмоциями и произношением
Подачу можно задавать обычными словами и аудиотегами внутри текста. Например, запись [whispers] Не буди остальных просит произнести фразу шёпотом, а [laughs] добавляет смех. Теги были и в v3; в новой версии ElevenLabs улучшила точность их выполнения. Они позволяют менять интонацию отдельных реплик без подбора нового голоса для каждого настроения.
Модель умеет генерировать и звуковые эффекты — например, аплодисменты или шум дождя. Поэтому указание должно ясно описывать желаемый результат: неоднозначный тег может превратиться в фоновый звук вместо изменения голоса. Для имён и сложных терминов улучшена поддержка международного фонетического алфавита IPA. В тексте произношение можно записать фонетическими символами между косыми чертами.
Клонирование голоса и смена языка
По заявлению ElevenLabs, быстрое клонирование теперь способно передать голос по записи длиной всего 10 секунд. Это относится к Instant Voice Cloning. Обычная Eleven v4 также полностью поддерживает Professional Voice Cloning — профессиональные клоны для проектов, где важна стабильная передача тембра и манеры речи. Эти два способа создания голоса сохраняют разные требования к исходным записям.
Изменилась работа с акцентом. Если язык озвучки совпадает с языком исходной записи, v4 сохраняет акцент говорящего. Если язык другой, модель произносит текст естественно для целевого языка, удерживая узнаваемый голос. Например, голос, записанный на корейском, может озвучить английский текст без переноса корейского акцента. Для озвучки нужен текст на выбранном языке.
Более точное воспроизведение захватывает и особенности исходного звука: шум, искажения, резкие согласные или скачки громкости могут перейти в результат. Для клона важна чистая запись. Правила ElevenLabs требуют подтвердить право на использование голоса; профессиональное клонирование дополнительно включает проверку владельца.
Для чего нужна v4 Turbo и что означают 100 мс
Turbo рассчитана на разговор в реальном времени: поддержку клиентов, голосовых помощников и интерактивных персонажей. В ElevenAgents она работает вместе с распознаванием речи и системой, которая определяет момент окончания реплики. Сервис может менять тон по ходу беседы и переключать язык, сохраняя узнаваемый голос. Особо заметные языковые улучшения компания отмечает для японского, бразильского португальского, мандаринского китайского и кантонского.
ElevenLabs указывает две величины: медианную задержку вычисления около 100 мс и около 150 мс от запроса до начала звучания речи при передаче через WebSocket. Во втором показателе компания исключила сетевую задержку. Полное ожидание ответа голосового агента дополнительно включает распознавание сказанного, подготовку ответа и передачу звука пользователю.
Для разработчиков идентификаторы моделей — eleven_v4 и eleven_v4_turbo. При подключении потокового синтеза используется Text to Dialogue WebSocket. В одном соединении обычной v4 можно зарегистрировать до десяти голосов, у Turbo — один. Это существенное различие между созданием сцены с несколькими персонажами и озвучкой одного собеседника.
Доступность и цены
Модели уже доступны через ElevenCreative, ElevenAgents и ElevenAPI. Начать можно с бесплатного аккаунта. В тарифах ElevenCreative Free включает 10 000 кредитов в месяц; Starter за $6 добавляет коммерческую лицензию и быстрое клонирование. Профессиональное клонирование доступно начиная с Creator за $22 в месяц, с ценой $11 за первый месяц.
API оплачивается за количество символов исходного текста. До 12 октября действует временная скидка на обе модели: $0,022 за 1000 символов для v4 и $0,011 для Turbo. Стандартные цены составляют $0,08 и $0,04 соответственно. Тарифы указаны без налогов.
| Модель | Задачи | API до 12 октября | Стандартный API |
|---|---|---|---|
| Eleven v4 | Озвучка и диалоги | $0,022 / 1000 символов | $0,08 / 1000 символов |
| Eleven v4 Turbo | Агенты и быстрые ответы | $0,011 / 1000 символов | $0,04 / 1000 символов |
Что учесть при переходе с предыдущих моделей
У обеих версий есть два параметра голоса: Stability регулирует устойчивость подачи, а Similarity — близость к образцу. Привычных ползунков Style и Speed у v4 нет, разметка SSML также не поддерживается. Паузы и темп задаются структурой текста, пунктуацией и аудиотегами.
Существующий клон может заметно иначе звучать в v4, поскольку новая модель точнее воспроизводит исходную запись. Меняется и поведение акцента при озвучке на другом языке. Для аудиокниги, рекламного ролика или персонажа основной выбор — обычная v4 с упором на качество и диалоги; для непрерывного общения с пользователем — Turbo с упором на скорость ответа.
