Eleven v4 and Eleven v4 Turbo

Eleven v4 和 Eleven v4 Turbo 是 ElevenLabs 迄今最快、最有情感表现力的语音模型。

Eleven v4 基于全新架构打造，能理解语气、节奏、情感、角色和上下文，生成听起来像是在表演的语音。Eleven v4 Turbo 把同样的研究成果带到智能体等低延迟用例中，生成语音的中位推理延迟约为 100 ms。

语音克隆更真实、更一致。Instant Voice Clones 只需 10 秒音频，就能以惊人的保真度捕捉声音；Professional Voice Clones 则提供我们最高的保真度。对于长内容创作，Eleven v4 能在无限次生成中可靠保留说话人身份，非常适合长篇旁白、对话和重新生成的台词。

用 inline tags 指导表演。可指定表达方式、情感、节奏、反应、SFX 或风格。Eleven v4 会调度场景，并以自然、精准的方式表演出来。

新特性：全新的文本转语音架构，专为富有表现力的表演而打造；面向智能体和所有实时场景的 Eleven v4 Turbo，中位延迟 100ms；只需 10 秒音频的 Instant Voice Clones，以及追求最高保真度的 Professional Voice Clones；在 90+ 种语言上性能提升，新增语言包括粤语、蒙古语和奥里亚语；长篇旁白、对话和重新生成的台词中都能保留说话人身份；更自然的多说话人对话；支持 IPA 的发音控制；用 inline tags 直接控制表达方式、情感、节奏、反应、SFX 和风格；现已在 ElevenCreative、ElevenAgents 和 ElevenAPI 中提供。

试用 Eleven v4 → https://elevenlabs.io/v4

P.S. 我专门挖掘科技、SaaS 和 AI 领域最新最棒的新品发布，关注即可收到通知 → @rohanrecommends

我真的很喜欢用 ElevanLabs 做配音，非常专业。我把它和 Claude code 一起用，做培训视频效果完美。

10 秒音频就能做即时语音克隆，对这些用例来说好得有点夸张，但也是让我担心的数字。我们在 Dial 要处理电话通话，所以语音真实性是我们每天都会认真考虑的事。输出侧有没有什么机制能把音频标记为 v4 生成，或者加水印？还是说识别克隆完全得靠听的人自己判断？

说实话，带 tags 的 v4 真的很好用。

Turbo 上约 100 ms 的中位延迟，对我们来说才是关键数字。我们做了一个每天给老年人打电话的语音伴侣；对这个受众来说，他们说完之后的停顿最容易破坏对话感，因为很多人说话慢、停顿也长。好奇 v4 用在智能体里时，会怎么处理犹豫和尾音渐弱、说到一半没说完的句子：inline tags 能让你每一轮放慢节奏、让表达更柔和吗，还是说这些是从上下文推断出来的？