9 月 28 日,ElevenLabs 同时发布两个语音模型:主打最高表现力的 Eleven v4,以及面向实时场景的 Eleven v4 Turbo。这代模型的目标不再是「把字念得像人」,而是「把文本演出来」——理解语气、情绪、节奏与上下文,同时保住说话人的音色。TTS 赛道正从合成质量竞赛,转向表现力与延迟的双轴竞争。
新架构带来的三个直接升级
官方博客明确说 Eleven v4 建立在全新架构之上。落到可验证的规格上,变化有三点:
- 语言覆盖从 70+ 扩到 90+:上一代 Eleven v3 支持 70 多种语言,v4 家族扩展到 90 余种,普通话与粤语都在支持列表里。
- 单次生成上限翻倍:Eleven v4 单次请求上限 1 万字符、约合 10 分钟音频,v3 是 5 千字符,长篇有声书受益最直接。
- 声音克隆升级:官方称 10 秒音频即可完成高保真即时克隆,效果超过 Multilingual v2 时代的专业克隆;v3 缺席的 Professional Voice Clones 也在 v4 回归。所有克隆需声音所有者验证同意,生成音频可用 AI Speech Classifier 检出。
接口上,v4 提供 Text to Dialogue API 支持多人对话;Turbo 走 WebSocket 实时流。
100 毫秒是语音 Agent 的胜负手
v4 Turbo 的关键数字是推理延迟中位数约 100 毫秒,官方的原话是「比两个人对话之间的平均停顿更快」。在官方 9 月的 WebSocket 对比测试中(相同脚本、默认设置、剔除网络延迟),Turbo 首句语音中位耗时约 150 毫秒,Cartesia Sonic 3.6 为 262 毫秒,OpenAI GPT-4o mini TTS 为 814 毫秒。注意这是厂商自测口径,以第三方复测为准。
更值得注意的是工程取向:官方明确表示 v4 Turbo 与自家 Agent 平台 ElevenAgents 是作为一个系统联合优化的。翻译过来就是模型与运行时绑定交付——语音 Agent 的延迟从来不只是模型问题,这正是 ElevenLabs 卡位的地方。
盲测第一,定价试探
在第三方盲测榜 Artificial Analysis 的 Speech Arena 上,Eleven v4 以 1319 的 Elo 位居第一,领先 Cartesia Sonic 3.6(1276)与 Google Gemini 3.8 Flash TTS(1267)。定价方面,据第三方汇总,Eleven v4 介绍期每千字符 2.2 美分、Turbo 为 1.1 美分,10 月 12 日之后恢复到 8 美分与 4 美分的原价。
所以呢
这轮发布给出的信号:质量差距已经被盲测榜量化,ElevenLabs 靠架构换代守住第一,但 Cartesia 与 Google 都贴在身后,没有代差。值得盯的是「模型 + Agent 运行时」的打包模式——当语音延迟进入 100 毫秒档,胜负手从模型参数转向系统级优化。留给竞品的问题是:你的 Agent 栈在哪里?