ElevenLabs 釋出 Eleven v4：10 秒克隆聲音，Turbo 版延遲僅 100 毫秒

同一句「請保持冷靜」，醫生輕聲安撫驚恐的病人，和遊戲角色在跳傘衝入戰場前向隊友大吼，聽起來完全是兩回事。

以往的語音合成往往只能機械地念出字句。9 月 28 日，ElevenLabs 推出第四代文本轉語音模型 Eleven v4，以及專為低延遲對話打造的 Eleven v4 Turbo。

在 Artificial Analysis 的評測榜單上，Eleven v4 排在第一。官方在 9 月組織的雙盲測試中，對比 Cartesia Sonic 3.6、Inworld TTS-2 以及 Google Gemini 3.8 Flash 系列等競品，約 75% 的聽眾更偏好 Eleven v4 的發音。

像導演一樣用標籤給 AI 講戲

新模型換上了全新的底層架構。它不再只是把孤立的句子機械拼接，而是會結合上下文去理解節奏、情緒和角色設定，讓多角色對話顯得更加自然。

更實用的改動在於控制方式。除了用自然語言向模型描述情緒，使用者現在還能直接在文本里插行內標籤。

比如寫上 [laughs]、[said angrily in French accent]，甚至插播 [light rain] 或 [phone buzzing] 這種環境音效。Eleven v4 對這類標籤和導演提示詞的遵循度比舊版高得多，想讓它怎麼演就怎麼演。

此外，新模型對國際音標（IPA）的支援明顯增強，專有名詞和定製發音不容易唸錯。聲音克隆的門檻也降了下來，即時聲音克隆只需要 10 秒音訊，而且支援最高保真度的專業聲音克隆。

長內容拼接也變得更加穩定，做長篇有聲書或影片旁白時，角色音色不會在生成幾句後就跑偏走樣。

100 毫秒延遲，跨 90 種語言學母語腔調

低延遲版本 Eleven v4 Turbo 的推理中位延遲壓到了約 100 毫秒，通過 WebSocket 流式傳輸時的首句發聲中位延遲約為 150 毫秒。這個反應速度，已經快過日常兩個人聊天時的自然停頓。

過去開發者做語音智慧體，經常要在表達力和速度之間二選一。低延遲通常意味著只能忍受冷冰冰的機械音，而 ElevenLabs 把 Turbo 模型直接融合進自家的 ElevenAgents 平臺，試圖把兩頭都佔住。

在語言支援上，兩個版本都覆蓋超過 90 種語言。ElevenLabs 這次強化了母語口音保持能力。

以往用某種語言錄製的聲音去講其他語言，往往念著念著就會滑回原本的口音。現在即便拿一段英語錄音克隆，讓它去講西班牙語或日語，也能保持原聲特色的同時，咬出自然的母語口音。

目前 Eleven v4 和 Eleven v4 Turbo 已經在 ElevenAgents、ElevenCreative 以及 API 介面全面上線。

為什麼重要

我們認為，Eleven v4 最聰明的突破，在於把有聲內容製作從「調引數」變成了「當導演」。用自然語言和行內標籤直接混入笑聲、嘆息甚至背景音，大幅降低了獨立遊戲開發者和播客創作者的後期門檻。

僅需 10 秒音訊就能完成即時聲音克隆，這讓多語言配音和本土化譯製的成本進一步被擊穿。原本大品牌需要找專業配音演員進棚錄幾十個小時，現在只要給出一小段授權樣本，就能在全球 90 多個市場同步輸出保持母語腔調的角色聲音。

對行業來說，150 毫秒的首字發聲延遲直接把戰火燒到了即時客服和互動 NPC 賽道。它逼著 Cartesia 等專注於低延遲語音的對手繼續壓縮推理開銷，同時讓 OpenAI、Google 等通用大模型的預設語音顯得過於平淡單調。

不過，克隆門檻降到 10 秒也帶來了顯而易見的隱患。一段隨手錄下的日常談話就足以復刻一個人的聲音，跨語種冒充的逼真度大幅提升，這在防範電話詐騙和聲紋冒用上，給整個行業丟擲了更棘手的問題。