ElevenLabs выпустила Eleven v4 и Eleven v4 Turbo. В скрипте теперь можно задать не только реплику, но и её подачу: [whispers], [laughs], [shouts], [door slams]. Модель учитывает сцену, отношения между персонажами и события перед репликой. Текст начинает работать как режиссёрская партитура.
Раньше многое приходилось собирать вручную: отдельно записывать вздох, искать звук двери, подгонять паузу и сводить дорожки. Eleven v4 объединяет такие события с речью в одном синтезе. Возни на посте должно стать меньше.
Eleven v4 добавляет эмоции в скрипт
Главное изменение связано не с очередным улучшением тембра. Eleven v4 читает реплику с контекстом и понимает, как она должна прозвучать. Кто говорит и что произошло до этого — часть задачи для модели.
Команды пишутся прямо в тексте. Персонаж может прошептать, рассмеяться, вздохнуть или повысить голос. Хлопнувшая дверь тоже становится элементом сцены. По заявлению ElevenLabs, v4 надёжнее соблюдает последовательность тегов, чем v3.
SSML break tags отключены. Паузы задаются аудиотегами и самой подачей, без привычной технической разметки. Для креатора вход ниже, зато монтаж по миллисекундам контролировать сложнее.
Eleven v4 ближе к актёру, которому вы дали сцену и режиссёрские указания, чем к обычному диктору.
Где Eleven v4 пригодится креаторам
Для видео можно быстро собрать несколько вариантов одной сцены. Один текст легко прогнать в драматичной, ироничной или срочной манере. Потом сравнить удержание, реакцию аудитории или конверсию рекламного ролика. Дёргать диктора под каждую гипотезу уже не обязательно.
В аудиокнигах и курсах важнее стабильность на длинной дистанции. Context stitching должен удерживать темп и характер подачи между фрагментами. За один запрос модель принимает до 10 000 символов, а повторная генерация линии не должна уводить голос в другую тональность.
Для сериалов, длинных лекций и игровых персонажей это особенно кстати. Если одну реплику пришлось перегенерировать, слушатель не должен внезапно услышать другого человека. По заявлению ElevenLabs, v4 снижает такой вокальный дрейф.
Монтажную дорожку я бы пока не убирал. В сложной сцене всё равно придётся проверить произношение имён, паузы, баланс речи и эффектов. Модель экономит время, но финальный прослушивающий прогон остаётся за человеком.
Eleven v4 Turbo работает в реальном времени
Turbo решает другую задачу. Ей не нужно ждать готовый абзац целиком: разработчик отправляет текст по мере работы языковой модели и получает аудио ещё до завершения предложения.
Медианная задержка до первого звука заявлена на уровне 150 мс, а медианная задержка инференса — около 100 мс. В сравнении ElevenLabs Turbo показала 150 мс против 262 мс у Cartesia Sonic 3.6 и 814 мс у OpenAI GPT-4o mini TTS.
Для голосового агента такая разница слышна. Пауза в несколько сотен миллисекунд воспринимается как обдумывание. Более длинное молчание уже похоже на зависание или плохую телефонию. Turbo нацелена именно на этот участок диалога.
Сценарии понятны: поддержка клиентов, CRM, телефония, игровые NPC и интерактивные персонажи. Бот сможет отвечать быстрее и сохранять одну манеру речи в разговоре. Эмпатия сама не появится — её придётся заложить в сценарии, правила агента и обработку сложных случаев.
Клонирование голоса стало рабочим инструментом
В новой версии снова доступны Professional Voice Clones. В v3 с ними были ограничения, а теперь они работают с эмоциональными возможностями v4. Такой клон пригодится для бренд-голоса, обучающих материалов или постоянного персонажа.
Instant Voice Clone создаётся из короткого образца за секунды. В материалах по релизу упоминается запись длительностью около 10 секунд. Для черновиков и быстрых тестов удобно, но качество исходника по-прежнему влияет на результат.
Professional Voice Clone сохраняет тембр, акцент, громкость и привычную манеру речи. Все 17 500 с лишним голосов из библиотеки ElevenLabs работают с v4. Старые Instant и Professional Voice Clones нужно переобучить.
Отдельный сценарий — кросс-лингвальная озвучка. Голос из английской записи может говорить по-русски, а модель поддерживает более 90 языков. В одном материале можно переключаться между языками. Выглядит сильно, но акцент и естественность лучше проверять для каждой языковой пары.
Где релиз может не оправдать ожиданий
Фраза «голос не важен» звучит эффектно, но я бы так не формулировал. Значение имеют доверие, дикция, согласие на клон и соответствие персонажу. Чем сильнее бренд зависит от синтетического голоса, тем дороже ошибка в интонации или произношении.
Для клонирования требуется подтверждённое согласие владельца голоса. Сгенерированное аудио также проходит через AI Speech Classifier. Это не закрывает все вопросы авторских прав и раскрытия синтетической озвучки, но направление у платформы понятное.
Есть и производственный нюанс. Чем больше эмоций и звуковых событий вы помещаете в один скрипт, тем важнее структура. Десять тегов подряд хорошую сцену не соберут. Сначала задайте действие, потом реплику и один-два акцента. Иначе цифровой актёр начнёт переигрывать.
Обе модели доступны через продукты ElevenLabs и API. Turbo также работает в ElevenAgents. Модели входят во все тарифы, включая бесплатный план с 10 000 кредитов в месяц. Платные планы начинаются от 6 долларов.
Eleven v4 оставляет человека в процессе, но переносит его с уровня «поправь дыхание» на уровень режиссуры.
Для первого теста я бы взял короткую сцену на двух персонажей. Добавил по одному эмоциональному тегу и звуковому эффекту. Потом проверил стабильность голосов, переходы между репликами и естественность пауз. Ту же сцену можно прогнать через Turbo в формате диалога.
Релиз способен сократить ручную работу в озвучке. Но настоящая проверка начнётся на длинном выпуске, серии роликов или разговоре с живым пользователем, где сценарий постоянно меняется. Там станет понятно, держится ли «актёрское чтение» за пределами демо.
Голос теперь собирается из текста, эмоции и контекста. Хороший результат всё равно начинается с режиссуры. Какой этап вы бы первым отдали Eleven v4: озвучку роликов, аудиокнигу или голосового агента?
