Eleven v4 añade interpretación emocional y diálogos más naturales; v4 Turbo prioriza respuestas rápidas para agentes de voz.
ElevenLabs ha presentado Eleven v4, su nuevo modelo de texto a voz, junto con Eleven v4 Turbo, una variante pensada para generar habla con menos demora. La actualización busca que una voz sintética transmita mejor el tono y la intención del texto, no solo que pronuncie las palabras.
El modelo puede interpretar indicaciones escritas en lenguaje natural y etiquetas insertadas en el guion, por ejemplo para pedir una voz alegre, una pausa, una risa o un efecto de sonido. También mejora el manejo de pronunciaciones y de conversaciones con varias voces.
ElevenLabs señala que v4 conserva con más consistencia las características de cada voz a lo largo de narraciones, audiolibros y diálogos. La compañía también afirma que sus clonaciones instantáneas pueden partir de diez segundos de audio; el resultado depende de la calidad y del permiso para usar esa grabación.
La versión Turbo está dirigida a agentes que conversan en tiempo real. ElevenLabs publica una latencia mediana de unos 100 milisegundos hasta iniciar la inferencia y unos 150 milisegundos hasta la primera voz audible en sus mediciones; las cifras pueden variar según la conexión y la configuración.
Los dos modelos están disponibles en ElevenAgents, ElevenCreative y la API. Para creadores, las mejoras permiten dirigir interpretaciones y mantener voces más coherentes; para desarrolladores, Turbo ofrece una opción específica cuando la rapidez de respuesta es importante.
