ElevenLabs 推出 Turbo v2：語音生成延遲壓到 400 毫秒，提速超兩倍

搞即時語音對話的人都知道，AI 停頓超過半秒，場面就會立刻變得尷尬。

ElevenLabs 正式上線了新模型 Turbo v2。官方表示這是他們目前速度最快的模型，語音生成延遲壓到了約 400 毫秒，速度比初代 V1 模型快了兩倍以上。更關鍵的是音質沒有縮水，基本與此前的 Multilingual V2 保持在同一水平。

專為即時通話打磨細節

除了常規的推理提速，ElevenLabs 這次還專門針對網路電話與呼叫中心等 VoIP 場景做了最佳化。

Turbo v2 新增支援了 mulaw 8khz 音訊輸出格式。在這個格式下，流式傳輸的生成速度還能進一步提升。目前該模型主要面向英語場景，團隊表示多語言支援正在開發中。

為什麼重要

對開發者來說，400 毫秒是一個關鍵的分水嶺。在構建智慧客服、語音助理或 NPC 即時對話時，結合上游大模型的推理時間，原本動輒一兩秒的延遲終於能壓縮排人類自然的交談節奏裡。

我們認為，ElevenLabs 增加 mulaw 8khz 這種傳統通訊格式的做法非常務實。它沒有一味卷高保真音樂音質，而是直接切入企業級電話系統，降低老舊線路的整合成本。隱患在於它目前還沒正式支援多語言，如果你的業務依賴跨語種交流，現階段可能還得在速度和語種之間做取捨。