Главное изменение Eleven v4 описано как переход к более выразительной речи. Модель должна учитывать не только написанные слова, но и тон, темп, эмоцию, характер фразы и контекст сцены. В примере официального релиза одна и та же реплика должна звучать по-разному у врача, который спокойно обращается к пациенту, и у игрового персонажа, который кричит команде перед боем. Для пользователя это означает, что текст можно направлять не только знаками препинания, но и смысловой подсказкой: какой должна быть подача, где нужна пауза, какое настроение нужно передать. Отдельно выпущена Eleven v4 Turbo, низколатентная версия для сценариев, где ответ нужен быстро, например для голосовых агентов.
Что умеет модель
Eleven v4 поддерживает inline audio tags, то есть встроенные в текст аудиопометки. В официальных примерах это команды вроде смеха, злой подачи с французским акцентом, лёгкого дождя или телефонного звонка. Через такие теги можно задавать паузы, эмоции, шёпот, вздохи, акценты и звуковые эффекты. При этом SSML-теги, например break для паузы, в Eleven v4 отключены, поэтому паузы и выразительность предлагается задавать естественными пометками. Для произношения имён и технических терминов остаются словари произношения, а поддержка фонем Международного фонетического алфавита, IPA, по заявлению компании стала лучше. Модель также рассчитана на разговоры с несколькими говорящими: она сохраняет особенности каждого голоса и учитывает, что уже было сказано в сцене.
Для каких задач подходит модель
Официальные материалы называют несколько практических направлений. Eleven v4 подходит для озвучки произведённого контента, где важны интонация и цельная подача: аудиокниг, рекламы, повествования, персонажных диалогов и других материалов, в которых голос не должен звучать как отдельные склеенные реплики. Для длинной формы указано context stitching, то есть связывание контекста между генерациями, чтобы темп и подача оставались согласованными. Eleven v4 Turbo ориентирована на real-time опыт и голосовых агентов: для неё указана медианная inference latency около 100 мс, а в релизе также приведён median time to first speech около 150 мс. Это измеренные параметры задержки, а не обещание качества для любой интеграции.
Доступ и ограничения модели
Eleven v4 и Eleven v4 Turbo доступны в ElevenAgents, ElevenCreative и API. Официальная страница API указывает REST API, потоковые endpoints, а также TypeScript и Python SDKs; для Turbo отдельно названы ElevenAgents, API и bidirectional streaming, то есть двусторонняя потоковая передача. Одна генерация поддерживает до 10 000 символов. Вывод доступен в MP3, WAV/PCM и µ-law; для API можно настраивать sample rate и bitrate. Модель поддерживает 90+ языков, но отдельной подтверждённой информации о русском языке в источниках нет. Для клонирования голоса указаны Instant Voice Clones и Professional Voice Clones, причём каждый клон требует подтверждённого согласия владельца голоса. Старые PVC и IVC, созданные до запуска Eleven v4, нужно переобучить для эффективной работы с новой моделью.
Источники
Вопросы и ответы
Можно ли использовать Eleven v4 бесплатно?
Официальная страница указывает, что Eleven v4 использует те же credit pricing, что и другие Text to Speech модели, и доступна на каждом плане, включая free tier с 10 000 credits в месяц.
