ElevenLabs發佈v4與Turbo語音模型

ElevenLabs推出Eleven v4與低延遲版Eleven v4 Turbo，官方將其定位爲目前最具情緒表現力的文本轉語音模型，並同步開放ElevenAgents、ElevenCreative與ElevenAPI。

v4把表演寫進腳本：可在臺詞中嵌入情緒、停頓、笑聲、耳語、動作和環境音，例如laughs、said angrily in French accent、light rain、phone buzzing，也可用自然語言指定一句該怎麼說。盲測中約75%聽衆更偏向其表現力與自然度，Artificial Analysis語音榜將其排在首位，Elo約1319，高於Cartesia Sonic 3.6的1276和Gemini 3.8 Flash TTS的1267。

克隆側，Instant Voice Clone約10秒錄音即可建聲；Professional Voice Clone在v3中一度不可用，現已回到v4並覆蓋完整情緒範圍。context stitching負責把不同生成片段的節奏與狀態接上，speaker stability則儘量讓同一角色在旁白、對白和返工片段裏不跑聲。單次生成上限提到1萬字符，高於v3的5000字符。

同一腳本可排多個說話者、接話關係和音效，模型按整場語境生成回應，而不是把孤立句子拼起來。發音用ipa和發音詞典鎖定姓名、縮寫和專業詞。語言從v3的70多種擴到90多種，官方點名粵語、蒙古語和奧里亞語，質量提升最明顯的是日語、巴西葡萄牙語、普通話和粵語；演示還用過加泰羅尼亞語旁白加音效標籤。

Turbo把同一套表現力壓進實時對話：中位推理時延約100ms，中位首次出聲約150ms，支持雙向流式，可在大模型還在吐字時就開始出聲。官方對照給出Cartesia Sonic 3.6約262ms、OpenAI GPT-4o mini TTS約814ms。設計場景包括醫療術語客服、遊戲裏帶俚語的快嘴角色，以及升級、對峙和等待時的不同語氣。企業通話已佔其業務一半以上。

市場機制上，買方是要上線語音代理的企業和要做有聲書、廣告、配音的內容團隊；賣方是把「快」和「像人」拆成兩個產品的語音模型商。事件驅動明確：把延遲壓到人類對話停頓以下，才能把情緒模型賣進呼叫中心。資金流向api按字符計費，推廣期v4約每百萬字符22美元、Turbo約11美元，目錄價分別約80美元和40美元。受益的是ElevenLabs的代理與創意套件；承壓的是Cartesia、Google Gemini TTS、OpenAI實時語音，以及仍靠單調合成撐客服的外包坐席。

補充層面，v4去掉Style和Speed滑條且不支持ssml，控制改走穩定度、相似度和音效標籤。克隆需聲主驗證同意，生成音頻帶其語音分類器標記。模型已進免費檔，付費套餐起步約每月6美元。

來源：公開信息