Eleven v4 y Eleven v4 Turbo son modelos de síntesis de voz con generación multiinterlocutor, dirección acústica y emocional en el guion, clonación de voz y transmisión bidireccional de baja latencia en más de 90 idiomas.
Qué hace el producto y cómo se presenta oficialmente
Eleven v4 y Eleven v4 Turbo son modelos de voz sintética desarrollados por ElevenLabs para generar audio expresivo y con múltiples interlocutores en más de 90 idiomas. Construido sobre una arquitectura que evalúa el contexto del diálogo y la identidad del hablante, el modelo interpreta etiquetas dentro del texto para inflexiones emocionales y efectos de sonido integrados.
El lanzamiento incluye Eleven v4 Turbo, una variante optimizada diseñada para aplicaciones en tiempo real y flujos de agentes conversacionales. Admite transmisión bidireccional, devolviendo audio sintetizado mientras el texto continúa transmitiéndose desde un modelo de lenguaje ascendente con una latencia de inferencia mediana de aproximadamente 100 milisegundos.
Casos de uso respaldados por fuentes oficiales
Los productores pueden generar audiolibros completos y proyectos de locución utilizando la unión de contexto para mantener un ritmo uniforme y la estabilidad del hablante en guiones extensos.
Los desarrolladores pueden integrar Eleven v4 Turbo en bucles de agentes de voz para lograr tiempos de respuesta de baja latencia con transmisión bidireccional.
Los creadores pueden redactar guiones que contengan múltiples voces de personajes distintas y efectos de sonido insertados para juegos, pódcasts y producciones de video.
Eleven v4 introduce controles a nivel de guion que permiten a los creadores dirigir el tono emocional e insertar audio ambiental directamente en el texto. Los usuarios pueden colocar etiquetas como susurros, risas o efectos de sonido físicos en línea con el diálogo, que el modelo interpreta de manera contextual.
Para mantener la coherencia en producciones complejas, la unión de contexto preserva la locución y el ritmo del hablante a lo largo de guiones extensos, mientras que la regeneración de voz mantiene la estabilidad vocal sin desvíos entre tomas.
Eleven v4 Turbo está diseñado para sistemas conversacionales interactivos, operando con una latencia de inferencia mediana reportada de aproximadamente 100 milisegundos y un tiempo mediano hasta el primer audio de aproximadamente 150 milisegundos.
El modelo admite transmisión bidireccional, lo que permite enviar texto generado de manera incremental por un modelo de lenguaje grande externo mientras el audio se transmite de vuelta antes de que se finalice la oración completa.
Comprobaciones con tus propios materiales y flujo de trabajo
Qué fuentes se revisaron y cuándo
Respuestas basadas en el registro de producto con fuentes verificadas
Eleven v4 está diseñado para voz emotiva y unión de contexto de formato largo en guiones, mientras que Eleven v4 Turbo está optimizado para aplicaciones en tiempo real y agentes conversacionales, ofreciendo una latencia de inferencia mediana de aproximadamente 100 ms y un tiempo hasta la primera emisión de voz de aproximadamente 150 ms.
Eleven v4 admite síntesis de voz en más de 90 idiomas, incluida la generación fluida con acentos nativos para idiomas como japonés, español y portugués.
Sí, Eleven v4 admite clonación de voz instantánea a partir de diez segundos de audio, así como clones de voz profesionales, que trasladan el rango emocional del modelo a través de los idiomas compatibles.
Los usuarios pueden insertar etiquetas de dirección entre corchetes, como risas, susurros y efectos de sonido directamente en el guion, mientras que un diccionario de pronunciación permite definir representaciones fonéticas personalizadas y del AFI para palabras y nombres específicos.
Sí, se puede acceder a Eleven v4 y Eleven v4 Turbo a través de endpoints de API REST, endpoints de transmisión y SDK oficiales para Python y TypeScript, alternables mediante identificadores de modelo específicos.
