ElevenLabs выпустила Eleven v4: первое место в Artificial Analysis и голос как у актёра озвучки.
ElevenLabs представила модель синтеза речи Eleven v4, которая сразу заняла верхние позиции в рейтинге Artificial Analysis.
В основе Eleven v4 лежит новая архитектура: модель читает сценарий как актёр озвучки, понимает, кто говорит, что только что произошло и с какой интонацией подать реплику. Количество поддерживаемых языков выросло до 90+, тогда как у v3 было 70+.
Бенчмарки Artificial Analysis
- Provider Voice Arena: первое место с Elo 1319, что выше Cartesia Sonic 3.6 (1276) и Gemini 3.8 Flash TTS (1267). Модель заняла первое место во всех четырёх категориях: саппорт, ассистенты, обучение, развлечения. Эти результаты относятся к английскому языку, остальные языки нужно тестировать отдельно.
- Controlled Voice (все модели говорят одним и тем же кастомным голосом): второе место с 1157, уступает только Qwen-Audio-3.1-TTS-Plus от Alibaba. Голоса у ElevenLabs лучше, а стандартный голос может немного уступать.
- Pronunciation Robustness: 91,7%, лучший результат, который Artificial Analysis вообще измеряли. Gemini 3.8 Flash TTS: 89,5%, v3: 85,6%.
- Скорость: 73,4 символа в секунду против 42,5 у v3.
Что внутри
- теги вроде [laughs], [whispers], [door slams] прямо в тексте, v4 лучше на них реагирует, чем v3;
- context stitching: длинный текст, например аудиокнига, без швов по темпу и подаче;
- перегенерация фразы до 50 раз, голос не «плывёт»;
- возвращение Professional Voice Clone, которого не было в v3.
Отдельно выходит v4 Turbo для реального времени и агентов: около 150 мс до первого звука (у Sonic 3.6: 262 мс, у GPT-4o mini TTS: 814 мс, но это замеры самих ElevenLabs) и двунаправленный стриминг, при котором звук идёт ещё до того, как LLM допишет предложение. При этом у конкурентов есть более быстрые решения: 75-150 мс у основных топовых моделей.
Цены: $80 за 1 млн символов. Это дешевле, чем у третьей версии. Для сравнения: Sonic 3.6: $49, Gemini 3.8 Flash TTS: $16,49. Google в 5 раз дешевле и отстаёт всего на 52 пункта Elo. Inworld в 4 раза дешевле, Grok и Soniox ещё дешевле.
По качеству и произношению Eleven v4 выглядит топовым вариантом для аудиокниг, брендового голоса, рекламы и озвучки фильмов. Для колл-центра на миллионы минут сначала стоит посчитать юнит-экономику на Gemini, Inworld, Grok и Cartesia: разница в цене в 5-10 раз быстро съедает разницу в качестве.
Ещё новости:
