ElevenLabs发布Eleven v4：新架构支持情感化多角色对话与低延迟智能体交互
ElevenLabs于2026年9月30日发布其最富表现力的文本转语音模型Eleven v4及低延迟版本v4 Turbo。新模型采用全新架构，能够解读语调、节奏和情感以生成更具表演感的语音，并显著提升了多说话人对话的自然度。v4 Turbo专为实时智能体设计，中位延迟约100毫秒。此次更新还增强了音频标签遵循能力和超过90种语言的支持，特别是在日语、巴西葡萄牙语和中文方面的改进。
重要性实质性证据E2 未复现写法快讯
ElevenLabs发布了其最新的文本转语音模型Eleven v4以及配套的Eleven v4 Turbo。根据官方视频描述，v4建立在一种全新的架构之上，旨在通过解读脚本中的语调、节奏、情感和上下文来生成听起来像经过专业表演的语音。它不仅能识别说话者身份和情境，还能在多说话人对话中模拟真实交谈的重叠、时机和反应能量，即使没有显式的音频标签也能遵循脚本隐含的意图。
此次发布包含两个具有相同研究基础的模型：Eleven v4主要用于旁白、角色配音、画外音和配音等成品内容；而Eleven v4 Turbo则是为语音智能体、实时助手和交互式体验设计的低延迟版本，其中位延迟约为100毫秒，同时保持了相同的表达范围和双向输入流式传输能力。
在技术细节上，v4对音频标签序列的遵循能力比v3更可靠，支持单行堆叠多个标签。声音克隆的稳定性得到提升，说话者身份在长文本、重新生成和对话轮次中保持一致。此外，改进的上下文拼接功能使得重新生成的台词能更好地融入周围章节，这对有声书制作尤为重要。Eleven v4覆盖超过90种语言，官方称其在日语、巴西葡萄牙语、普通话和粤语方面相比v3有最强增益，并改进了国际音标（IPA）支持以处理复杂发音。