Eleven v4

Eleven v4 es nuestro modelo de Texto a Voz más reciente y avanzado, y el primero de una nueva generación de modelos. Mejora la calidad de salida, la fidelidad de la voz, la consistencia, la emoción, la entonación, las etiquetas de audio y la cobertura de idiomas respecto a Eleven v3.

En general, Eleven v4 supone una mejora clara frente a Eleven v3 y ofrece mejores resultados en casi todos los casos. Te recomendamos encarecidamente que cambies a v4 y lo pruebes con tus propias voces y contenido para comprobar la diferencia. Aunque algunos casos concretos pueden requerir otro modelo, para la mayoría de usuarios v4 será la mejor opción.

Para obtener información sobre etiquetas, puntuación y prompts de diálogo, consulta Cómo hacer prompting con Eleven v4.

Clonación de voz

La precisión de la clonación de voz da un gran salto con Eleven v4. Las voces clonadas capturan las características de la voz de origen —timbre, cadencia y entonación— con más fidelidad que con cualquier modelo anterior.

Las Clonaciones de Voz Instantáneas (IVC) son más precisas que nunca en Eleven v4. Capturan con mayor fidelidad las características que definen una voz de origen, lo que facilita crear rápidamente un clon convincente a partir de una muestra de audio corta.

Las Clonaciones de Voz Profesionales (PVC) son totalmente compatibles con Eleven v4. Se basan en los mismos avances en precisión de voz y ofrecen una reproducción más fiel de la voz de origen para workflows que requieren el máximo nivel de consistencia y control.

Debido a este importante salto en precisión, Eleven v4 puede sonar considerablemente distinto a Eleven v3. Eleven v3 sentó las bases de Eleven v4, con un fuerte enfoque en la entonación y la precisión, mientras que Eleven v4 se apoya en ellas con una precisión de voz sustancialmente mejorada. Como resultado, Eleven v4 está diseñado para capturar la voz de origen con más fidelidad, aunque puede que sigas prefiriendo cómo sonaba una voz en Eleven v3. La precisión y las preferencias personales no siempre coinciden, por lo que te recomendamos comparar ambas versiones con tu propio contenido para elegir la más adecuada para tu caso de uso.

Dado que Eleven v4 reproduce con mayor fidelidad las características de la voz de origen, incluidos su acento, entonación, volumen y otras cualidades distintivas, la calidad de la grabación de origen importa más que nunca. Un audio de entrenamiento claro y limpio ayuda a Eleven v4 a capturar la voz con precisión, sin introducir sonidos ni características no deseados. El ruido de fondo, la distorsión u otros problemas de grabación pueden afectar al resultado.

Seguimos experimentando con Eleven v4 para entender cómo usarlo mejor. Por ahora, parece mucho mejor capturando matices de audio, especialmente cuando hay mucho audio de entrenamiento, como ocurre con las Clonaciones de Voz Profesionales. Nuestras recomendaciones sobre el uso de datos de entrenamiento variados pueden cambiar a medida que sigamos probando cómo controlar el modelo con un conjunto de datos más versátil. De momento, recomendamos mantener un único estilo de habla en tu audio de entrenamiento, que Eleven v4 debería capturar mejor que los modelos anteriores.

Gestión nativa de acentos

Este es uno de los mayores cambios de Eleven v4 respecto a cualquiera de los modelos anteriores, y conviene entenderlo bien.

Cuando el idioma que generas coincide con el idioma de tu voz de referencia, el acento original se conserva exactamente igual que antes.

Cuando el idioma que generas es distinto del idioma de la voz de referencia, Eleven v4 genera voz fluida y natural en el idioma de destino, en lugar de mantener el acento de la voz de referencia de su idioma original.

En la práctica: si clonas una voz de una persona coreana y generas inglés, Eleven v4 producirá inglés natural y fluido en vez de inglés hablado con acento coreano. Esto permite usar cualquier voz en todos los idiomas compatibles y resulta especialmente útil para doblaje, contenido multilingüe y agentes de voz que deben atender a usuarios en distintos idiomas con una sola voz.

Si tu workflow depende de que una voz mantenga su acento nativo en otros idiomas, prueba este comportamiento directamente con Eleven v4 antes de migrar: es un cambio deliberado en el funcionamiento de la generación entre idiomas, no un error.

Sin embargo, esta nueva funcionalidad todavía se está ajustando y estamos explorando formas de convertirla en una opción activable en lugar de tenerla siempre activada. Sigue siendo un proyecto de investigación, por lo que de momento no tenemos un calendario ni más información al respecto.

Variantes del modelo

Eleven v4 está disponible en dos variantes, para que puedas elegir el equilibrio adecuado entre calidad y velocidad para tu caso de uso:

• Eleven v4 (eleven_v4) — nuestro modelo de mayor calidad, ideal para creación de contenido, audiolibros, locuciones de personajes y cualquier caso de uso en el que la calidad sea la máxima prioridad.
• Eleven v4 Turbo (eleven_v4_turbo) — calidad extremadamente alta con una latencia impresionantemente baja, diseñado específicamente para casos de uso en tiempo real como agentes conversacionales y experiencias de voz interactivas.

Ambas variantes usan dos ajustes de voz: Estabilidad y Similitud.

La estabilidad controla la consistencia de la entonación entre generaciones. Los valores más bajos permiten una entonación más expresiva y variada; los valores más altos mantienen la interpretación más cerca de una referencia fija.

La similitud controla hasta qué punto la salida se ajusta a la voz de referencia. Los valores más altos fuerzan un ajuste más estrecho a la referencia, lo que puede reducir ligeramente la naturalidad.

Al seleccionar una Clonación de Voz Profesional y Eleven v4, los ajustes de voz incluyen un control deslizante adicional de Intensidad del clon. La intensidad del clon controla hasta qué punto la salida sigue las grabaciones de entrenamiento del clon. Con valores bajos, la voz se suaviza ligeramente y la entonación gana flexibilidad interpretativa, lo que a menudo suena mejor en general sin dejar de parecerse a la voz original. Con valores altos, la salida se mantiene más cerca de las grabaciones de entrenamiento y tiene menos suavizado, imitando más fielmente la entonación y la interpretación de la voz original. Los valores altos pueden ser especialmente útiles para voces con rasgos distintivos o acentos únicos. Para la mayoría de voces, empieza con un 0 %.

Los controles deslizantes de estilo y velocidad no están disponibles en Eleven v4, y SSML no es compatible.

Las etiquetas de audio (por ejemplo, [whispering], [shouting], [laughing]) te permiten dirigir la entonación con un control preciso, y Eleven v4 las gestiona con un nivel de matiz superior al de los modelos anteriores. Todavía no son perfectas y seguimos iterando y mejorando la fiabilidad con la que el modelo sigue las instrucciones de las etiquetas: es un área en la que seguimos invirtiendo activamente y continuará mejorando.

Ejemplos

Precisión de la clonación de voz

Cada ejemplo comienza con una vista previa de la Biblioteca de voces. Después tomamos un texto y lo generamos usando una Clonación de Voz Instantánea de esa voz tanto en Eleven v3 como en Eleven v4.

No es una comparación perfecta. Eleven v4 también funciona con Clonaciones de Voz Profesionales, que pueden mejorar aún más la coincidencia. Sin embargo, para que la comparación fuera más justa, usamos Clonaciones de Voz Instantáneas tanto para Eleven v3 como para Eleven v4.

Estos ejemplos muestran cuánto de la voz original capta el modelo. Es importante tener en cuenta que esto también incluye la ecualización, la calidad, el volumen y cualquier otro detalle menor e imperfección del audio, como oclusivas, sibilancias ásperas y fluctuaciones de volumen.

Escucha la vista previa, después Eleven v3 y luego Eleven v4.

Voz NfUrCNRReUL9RXS9upG1.

"Brother... I must cross the sea, though I'd rather stay beside you. If the gods will it, we'll see each other again. Until then, when the sun sinks beyond the waves, know that I'll be looking toward home."
He clasped my forearm beneath the pale morning sky. I held on a moment longer, then watched him turn toward the waiting ship.

Voz HBDoL4wkcalemIO0nUAu.

"When I was young, I thought the mountain stood because it was strong. Then winter came, and the mountain wore its crown of snow without complaint. Spring followed, and it let every stream run free.
"So remember, traveler: strength is not always holding fast. Sometimes it is knowing what to carry, and what the season asks you to release."

Interpretación de voz

Estas son generaciones de Eleven v4. Las etiquetas de audio del texto dirigen la entonación.

Voz EkK5I93UQWFDigLMpZcX.

[casual] "You're looking for work, eh? Hmm, I might have something for you. Just outside the valley, there's a group of wild horned boars I need you to take care of - nasty little beasts. The village would be grateful if you could get that done, and I'll make it worth your while."
------------
[annoyed] [under his breath] "Oh, you again... [sigh] Did you take care of that little problem I mentioned earlier? No, not yet? All right, off you go. I don't have time to chitchat. I'm busy standing here... handing out quests."
------------
[ecstatic] "You did it, you crazy bastard! [dismissive] Not that I didn't have any faith in you, but you wouldn't be the first one to fail. Yes, yes, I know. One of them might have been a little bigger than the others. But hey, you survived. You got it done. You helped the village."

Voz t7VaN65ClS2VrEUwk1nR.

[quietly curious] "Hmm… that mark. I haven't seen one like it in years. Where did you get it? Oh, you gonna make me guess? [giggle]"
------------
[measured] "No need to explain, if you'd rather not. This town has a way of leaving its mark on people. [soft chuckle] Usually not quite so literally."
------------
[lower, thoughtful] "Keep it covered when you can. There are still a few who remember what it means, and they may not ask as politely as I have."

Audiolibro

Esta es una narración de Eleven v4. Las etiquetas marcan el ritmo y el tono de la escena.

Voz KHRvDizAHFVPzoSehNY6.

[Quiet, measured narration] The moonlit training court lay beneath the keep, its stone walls silvered with frost. Beyond the battlements, a dragon's distant call rolled over the mountains.
Sir Alden lifted his blunted practice sword. "Ready?"
Bram, his broad shoulders wrapped in a travel-worn cloak, studied the wooden shield strapped to his arm. "I've faced worse odds."
[Pause, dry amusement] "You lost to a turnip cart yesterday," Sir Alden said.
"It was a very determined cart," Bran muttered
[Gradually building energy] They circled across the frost-dusted stones. One step. Another. Alden watched Bram's hands; Bram watched the faint blue glow gathering along Alden's blade. The air between them prickled with harmless magic.
[Quick, light, playful pace] Bram charged. Alden slipped aside. Clack! Wood met steel. Bram turned, his cloak flaring, and swung wide. Alden ducked beneath it. Bram's boot skidded on the frost; he windmilled, caught himself, and bowed as if he'd meant to do that all along.
"Magnificent," Alden said.
"I was giving you time to admire the cloak," Bran retorted.

El modelo seguirá evolucionando

Eleven v4 está en desarrollo activo y continuo. A medida que sigamos entrenando y mejorando el modelo tras su lanzamiento, su comportamiento puede cambiar con el tiempo a medida que mejora la calidad. Te recomendamos volver a probar tu caso de uso periódicamente conforme evolucione el modelo, y compartiremos actualizaciones importantes a medida que estén disponibles.

Preguntas frecuentes