ElevenLabs 推出 Turbo v2：语音生成延迟压到 400 毫秒，提速超两倍

搞实时语音对话的人都知道，AI 停顿超过半秒，场面就会立刻变得尴尬。

ElevenLabs 正式上线了新模型 Turbo v2。官方表示这是他们目前速度最快的模型，语音生成延迟压到了约 400 毫秒，速度比初代 V1 模型快了两倍以上。更关键的是音质没有缩水，基本与此前的 Multilingual V2 保持在同一水平。

专为实时通话打磨细节

除了常规的推理提速，ElevenLabs 这次还专门针对网络电话与呼叫中心等 VoIP 场景做了优化。

Turbo v2 新增支持了 mulaw 8khz 音频输出格式。在这个格式下，流式传输的生成速度还能进一步提升。目前该模型主要面向英语场景，团队表示多语言支持正在开发中。

为什么重要

对开发者来说，400 毫秒是一个关键的分水岭。在构建智能客服、语音助理或 NPC 实时对话时，结合上游大模型的推理时间，原本动辄一两秒的延迟终于能压缩进人类自然的交谈节奏里。

我们认为，ElevenLabs 增加 mulaw 8khz 这种传统通信格式的做法非常务实。它没有一味卷高保真音乐音质，而是直接切入企业级电话系统，降低老旧线路的集成成本。隐患在于它目前还没正式支持多语言，如果你的业务依赖跨语种交流，现阶段可能还得在速度和语种之间做取舍。