ElevenLabs podle AlphaSignal uvedla hlasový model Eleven v4, který umožňuje okamžité klonování hlasu z desetisekundové nahrávky, a variantu Turbo zaměřenou na rychlou odezvu hlasových agentů. V4 míří na vyprávění a ztvárnění postav; obě varianty přidávají ovládání hlasového projevu a rozšiřují jazykovou podporu oproti v3.
Dvě varianty pro vyprávění a hlasové agenty
Podle AlphaSignal je Eleven v4 určený pro vyprávění a práci s postavami, kde se uplatní řízení hlasového projevu. Turbo naproti tomu upřednostňuje nízkou latenci při použití v hlasových agentech.
Obě varianty podle AlphaSignal podporují více než 90 jazyků, zatímco u v3 šlo přibližně o 70. Eleven v4 navíc umožňuje řídit výslovnost pomocí mezinárodní fonetické abecedy (IPA). Vedle textu určeného k převedení do řeči tak lze zadat i fonetický zápis.
Krátká nahrávka pro nový klon, přetrénování starších hlasů
Za klonováním stojí podle AlphaSignal přepracovaný systém pro v4. Při okamžitém klonování lze vytvořit hlas už z desetisekundového záznamu. Současně se vrací profesionální klonování, které ve v3 nebylo dostupné.
AlphaSignal uvádí, že profesionální i okamžité klony vytvořené před v4 vyžadují přetrénování, aby se daly s novým modelem účinně používat. Aplikace, které už volají konverzní API ElevenLabs, mohou v4 vybrat změnou identifikátoru modelu; přetrénování hlasů však zůstává samostatným krokem, který tato změna nenahrazuje.
Výslovnost se zlepšila, některé úlohy vede konkurence
V souhrnném hodnocení odolnosti výslovnosti Artificial Analysis dosáhl Eleven v4 podle AlphaSignal 91,7 %, zatímco v3 získal 85,6 %. Jde o nejvyšší dosud naměřený výsledek tohoto benchmarku. Hodnocení využívá lidské posuzovatele, kteří porovnávají vytvořené zvukové ukázky s dohodnutou výslovností; zahrnuje například zkratky, odborné výrazy a řetězce znaků.
Jednotlivé úlohy ale podle AlphaSignal ukazují rozdílné výsledky. Při správném rozvíjení zkratek získal v4 94,1 % proti 82,7 % u v3. Ve volbě výslovnosti podle kontextu věty dosáhl rovněž 94,1 %, zde však vede Gemini 3.8 Flash s 97,9 %. U samostatných výrazů bez větného kontextu má v4 93,2 %, zatímco vedoucí v3 Conversational dosahuje 95,1 %.
Nejslabší kategorií nového modelu zůstává podle AlphaSignal přesné čtení identifikátorů a řetězců znaků. Skóre 78,8 % je vyšší než 71,2 % u v3, ale v této úloze je před ním SpaceXAI TTS s 85,7 %.
Prvenství v anglické aréně, druhé místo se stejným klonem
V době vydání zprávy AlphaSignal vedl Eleven v4 anglickou Provider Voice Arena s 1 319 Elo. Za ním byly Cartesia Sonic 3.6 s 1 276 a Gemini 3.8 Flash TTS s 1 267. Výsledek v4 vycházel z 1 674 hodnoticích vzorků. Aréna srovnává preference posluchačů při použití vlastních hlasů a výchozí konfigurace jednotlivých modelů.
Žebříček Controlled Voice podle AlphaSignal používá napříč systémy stejný klonovaný hlas a omezuje tak vliv hlasové nabídky poskytovatelů. V tomto srovnání skončil Eleven v4 druhý s 1 157 Elo, za Alibaba Qwen-Audio-3.1-TTS-Plus s 1 178.
AlphaSignal prvenství vztahuje k anglické Provider Voice Arena: v osmi z devíti neanglických jazykových žebříčků sledovaných Artificial Analysis nadále vede Cartesia Sonic 3.6.
Rychlejší syntéza a odezva varianty Turbo
Artificial Analysis podle AlphaSignal naměřila u Eleven v4 syntézu 73,4 znaku za sekundu oproti 42,5 u v3. Měření nezahrnuje síťové zpoždění, dobu odpovědi jazykového modelu ani přehrávání zvuku na straně klienta.
U Turbo uvádí AlphaSignal medián doby do prvního zvuku 150 milisekund a podporu průběžného přenosu zvuku oběma směry. Tento interval začíná požadavkem na syntézu a končí prvním vráceným zvukovým blokem. Celkovou latenci hlasového agenta ovlivňují také síťové podmínky, doba odpovědi jazykového modelu, vyrovnávací paměť a přehrávání.
Přístup přes API a předplatné Creator+
Vedle výběru v4 změnou identifikátoru v konverzním API popisuje AlphaSignal přístup přes způsobilá předplatná Creator+, v nichž se model používá v rámci měsíčních kreditních limitů.
Podle AlphaSignal činí standardní API sazba v4 80 dolarů za milion znaků, přibližně 1,6násobek ceny Sonic 3.6 a 4,9násobek Gemini 3.8 Flash TTS. Dvoutýdenní zaváděcí nabídka snižuje sazbu v4 na 22 dolarů a Turbo na 11 dolarů za milion znaků. Ceny závisejí také na tarifu, objemové dohodě a zahrnutých kreditech. Způsobilá předplatná Creator+ nemají v rámci svých limitů dodatečný příplatek za model.
