ElevenLabs представила модель Eleven v4
М@cgeventAI-инженер
4 недElevenLabs выпустила модель Eleven v4 с улучшенной архитектурой, поддержкой 90+ языков и высокой скоростью генерации, заняв лидерские позиции в бенчмарках.
ElevenLabs остается лидером по качеству синтеза речи, но проигрывает конкурентам в ценовой доступности.
- Eleven v4 устанавливает новый стандарт качества озвучки, включая эмоциональную подачу и понимание контекста.
- Значительный рост скорости генерации делает модель пригодной для профессиональных задач, таких как аудиокниги.
- Для массовых продуктов (колл-центры) стоимость использования Eleven v4 может быть экономически невыгодной по сравнению с решениями от Google или других вендоров.
ElevenLabs смотрел-смотрел, как обходят конкуренты, и выкатил Eleven v4
Сразу в топ Artificial Analysis
Новая архитектура – модель читает сценарий «как актёр озвучки»: понимает, кто говорит, что только что произошло и с какой интонацией подать реплику. Языков стало 90+ (у v3 было 70+).
Бенчмарки Artificial Analysis:
– Provider Voice Arena – #1 с Elo 1319, лучше Cartesia Sonic 3.6 (1276) и Gemini 3.8 Flash TTS (1267). Первое место во всех четырёх категориях: саппорт, ассистенты, обучение, развлечения. Если что это все английский, остальные языки самим тестировать надо.
– Controlled Voice (все модели говорят одним и тем же кастомным голосом) – #2 с 1157, уступает только Qwen-Audio-3.1-TTS-Plus от Alibaba. Короче, голоса у elevenlabs лучше, а вот стандартный голос может чуть уступать.
– Pronunciation Robustness – 91.7%, лучший результат, который AA вообще намеряли. Gemini 3.8 Flash TTS – 89.5%, v3 – 85.6%
– скорость – 73.4 символа в секунду против 42.5 у v3.
Что внутри:
– теги вроде [laughs], [whispers], [door slams] прямо в тексте, v4 слушается их лучше, чем v3
– context stitching – длинный текст (хоть аудиокнига) без швов по темпу и подаче
– перегенерация фразы хоть 50 раз – голос не «плывёт»
– вернули Professional Voice Clone, которого не было в v3
v4 Turbo – для реалтайма и агентов: ~150 мс до первого звука (у Sonic 3.6 – 262 мс, у GPT-4o mini TTS – 814 мс, но это замеры самих ElevenLabs) и двунаправленный стриминг – звук идёт ещё до того, как LLM допишет предложение. Но если что конкуренты быстрее. 75-150 мс дают основные топовые модельки.
А теперь про деньги: $80 за 1M символов. Дешевле, чем 3 версия. Sonic 3.6 – $49, Gemini 3.8 Flash TTS – $16.49. То есть Google в 5 раз дешевле и отстаёт всего на 52 пункта Elo. Inworld в 4 раза дешевле, Grok, Soniox - еще дешевле.
Короче, по качеству и произношению – топ, для аудиокниг и брендового голоса норм. Рекламы всякой, озвучки фильмов.
А вот для колл-центра на миллионы минут я бы сначала посчитал юнит-экономику на Gemini, InWorld, Grok, Cartesia – разница в 5-10 раз по цене быстро съедает разницу в качестве.
https://elevenlabs.io/v4
Кратко (AI)
Компания ElevenLabs представила новую модель Eleven v4, которая демонстрирует лучшие показатели в бенчмарках Artificial Analysis по качеству произношения и эмоциональной выразительности. Модель поддерживает более 90 языков, улучшенную работу с контекстом и тегами эмоций, однако остается дороже конкурентов вроде Gemini 3.8 Flash TTS и Cartesia Sonic 3.6.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖