Eleven v4：我们最具表现力的文本转语音 AI 模型

📌 One-Sentence Summary

ElevenLabs 发布 Eleven v4 和 v4 Turbo，采用全新架构，在表现力方面排名第一且获得约 75% 的听众偏好，同时将延迟降低至约 100ms，适用于实时智能体应用。

📝 Summary

ElevenLabs 发布了其最先进的文本转语音模型 Eleven v4 和低延迟变体 Eleven v4 Turbo。这些模型基于全新的架构构建，优先考虑情感深度和自然度，而非单纯的机械准确性。在与 Cartesia 和 Google 等竞争对手进行的盲测中，Eleven v4 因其在语调、节奏和语境理解方面的能力，获得了约 75% 听众的偏好。一项关键创新是支持内联音频标签（例如 [laughs]、[said angrily]）和自然语言指令提示，允许用户微调表达方式。Turbo 模型解决了速度与质量之间的权衡问题，实现了约 150ms 的中位首字发声时间，使其适用于对话式智能体。此外，此次更新将仅凭 10 秒音频即可实现的声音克隆保真度进一步提升，并支持超过 90 种语言，同时改善了跨语言的口音保留效果。

💡 Main Points

Eleven v4 通过全新架构和用户导向的控制，为富有表现力的 TTS 树立了新标杆。

该模型在 Artificial Analysis 上排名第一，并在约 75% 的盲测对决中胜出。它引入了通过内联标签（例如 [light rain]、[phone buzzing]）和自然语言指令实现的细粒度控制，使创作者能够比前几代更准确地规定情感和节奏。

Eleven v4 Turbo 解决了实时智能体中延迟与表现力之间的传统权衡问题。

凭借约 100ms 的中位推理延迟和约 150ms 的首字发声时间，Turbo 模型使得响应迅速且听起来自然而非机械的对话式智能体成为可能。这一性能是通过与 ElevenLabs 的 ElevenAgents 平台协同优化模型而实现的。

跨语言声音一致性和克隆保真度显著改善。

这些模型支持超过 90 种语言，在不同语言间保持说话人身份和原生口音，而不会漂移回源语言口音。即时声音克隆现在仅需 10 秒音频即可实现高保真结果，增强了配音和本地化的可及性。

💬 Key Quotes

「Eleven v4 由 Artificial Analysis 评为第一，并在针对竞争模型的盲测对决中获得约 75% 听众的偏好，旨在解读语调、节奏、情感、角色和语境。」

「其中位推理延迟约为 100ms，响应速度快于两人交谈时的平均停顿间隔。」

「用户还可以对输出进行细粒度控制，并用自然语言描述某句台词应如何表达。」

「即时声音克隆现在仅需 10 秒音频即可高保真地捕捉声音。」

📊 Article Meta

AI Screening： 91

Featured： Yes

Source： ElevenLabs Blog

Author： Mati Staniszewski, Piotr Dabkowski

Category： 人工智能

Language： 英文

Read Time： 6 min

Word Count： 1429

Tags：

AI 与智能应用 , AI 语音 , 模型发布 , AI 产品与应用 , 多模态 AI