Presentamos Eleven v4, nuestro modelo más expresivo

Una misma línea de texto puede cambiar mucho según cómo se diga. «Necesito que mantengas la calma» debería sonar diferente según quién lo diga: un médico transmitiéndoselo con suavidad a un paciente asustado o un personaje de un juego gritándoselo a su escuadrón antes de entrar en combate.

Hoy lanzamos Eleven v4, nuestro modelo de texto a voz más emotivo hasta la fecha, y su variante de baja latencia, Eleven v4 Turbo.

Clasificado en el puesto n.º 1 por Artificial Analysis¹, y preferido por aproximadamente el 75 % de oyentes en pruebas comparativas a ciegas frente a modelos de la competencia², Eleven v4 se ha diseñado para interpretar el tono, el ritmo, la emoción, el personaje y el contexto. Genera voz que puede sonar dramática, tierna, urgente, cómica o conversacional, manteniendo la identidad del hablante. Una dinámica más natural entre varios hablantes hace que las conversaciones resulten más reactivas, en lugar de parecer líneas independientes unidas entre sí. Los hablantes responden al contexto de la conversación, lo que genera diálogos e interacciones entre personajes más naturales.

Una nueva arquitectura diseñada para ofrecer rendimiento

Basado en una arquitectura totalmente nueva, Eleven v4 es nuestro modelo de Texto a Voz más emotivo, clasificado en el puesto n.º 1 por Artificial Analysis¹. Eleven v4 Turbo lleva esa misma tecnología a casos de uso de baja latencia, como los agentes. Con una latencia de inferencia mediana de unos 100 ms, puede responder más rápido que la pausa media entre dos personas al hablar.

Ambos modelos pueden generar voz que transmite emoción, en lugar de sonar mecánica. La fidelidad del audio también es mayor en todos los aspectos, con resultados más limpios y naturales. 

Las generaciones anteriores de modelos de texto a voz pueden leer texto en voz alta, pero Eleven v4 aporta a la voz una profundidad emocional mucho más natural. El modelo puede interpretar el tono deseado, el ritmo que debe tener la voz, el carácter del texto y su contexto para generar una voz que conecte emocionalmente.

Usuarios también tienen un control detallado sobre los resultados y pueden describir en lenguaje natural cómo debe interpretarse una línea. También pueden añadir instrucciones específicas sobre cómo decir determinadas frases, qué emoción deben transmitir e incluso efectos de sonido, mediante etiquetas integradas como [laughs], [said angrily in French accent], [light rain] o [phone buzzing]. Eleven v4 sigue estas etiquetas de audio y prompts de indicaciones con mayor precisión que los modelos anteriores, para que la entonación que describes sea la que obtengas. Así es más fácil dirigir una narración, desarrollar personajes o sus diálogos, y cualquier otro caso en el que la entonación importe. 

La documentación para desarrolladores de ElevenLabs explica la sintaxis completa de las etiquetas y cómo aplicarlas a través de la API. También hemos mejorado considerablemente la compatibilidad con los fonemas del Alfabeto Fonético Internacional (AFI), por lo que las pronunciaciones personalizadas funcionan de forma más fiable.

Eleven v4 también mejora la consistencia y las conversaciones dinámicas entre varios hablantes. Mediante un nuevo método para capturar la identidad de los hablantes, Eleven v4 conserva las cualidades únicas de cada voz. Puede mantener la voz consistente en conversaciones de agentes, audiolibros o anuncios. Como el modelo entiende el contexto de una escena completa, genera diálogos naturales en los que los hablantes responden a lo que se acaba de decir, en lugar de unir líneas aisladas.

Un modelo Turbo para casos de uso de baja latencia

Los modelos de voz de alta calidad suelen tardar más en generar voz, por lo que usuarios han tenido que elegir entre agentes de voz rápidos o expresivos. Muchos han optado por agentes competentes, pero monótonos, que pueden parecer robóticos a un cliente frustrado que solo quiere resolver su problema. agentes de voz. Muchos han optado por agentes competentes, pero monótonos, que pueden parecer robóticos a un cliente frustrado que solo quiere resolver su problema. 

Eleven v4 Turbo combina velocidad y emoción con un tiempo medio hasta la primera voz de unos 150 ms³, lo que permite implementar agentes potentes en innumerables sectores: desde agentes cercanos y tranquilizadores capaces de pronunciar con precisión términos médicos en el ámbito sanitario hasta agentes que hablan rápido y usan jerga para entretener a jugadores en videojuegos.

El modelo Eleven v4 Turbo está diseñado para funcionar con la plataforma de agentes conversacionales de ElevenLabs, ElevenAgents. Otros creadores de agentes ensamblan modelos y software de distintos proveedores, lo que deja a usuarios sin una forma de perfeccionar o mejorar los resultados de los modelos para sus casos de uso concretos. Los equipos de investigación e ingeniería de ElevenLabs optimizaron Eleven v4 Turbo y ElevenAgents conjuntamente como un único sistema, ofreciendo agentes más expresivos, fiables y de baja latencia.  

Una voz, multitud de idiomas 

Nuestra forma de comunicarnos varía según el contexto, el lugar e incluso la hora del día. Crear voz expresiva que refleje esas diferencias en todos los idiomas sigue siendo uno de los retos más difíciles de la IA de audio. 

Eleven v4 supone un avance en todos estos ámbitos, y las mejoras van más allá de cómo el modelo pronuncia las frases. Eleven v4 capta mejor el ritmo, la emoción y la entonación en todos los idiomas, ayudando a creadores a producir voz que suena natural en cada idioma y contexto. Por ejemplo, la forma de hablar a una persona mayor desconocida en Japón es muy distinta de cómo le hablarías en Italia. 

Tanto Eleven v4 como Eleven v4 Turbo admiten más de 90 idiomas. Ahora, una voz grabada en un idioma también puede hablar cualquier otro con fluidez, adoptando el acento de un hablante nativo mientras conserva la identidad de la voz original. La fidelidad al acento es notablemente mayor que antes, por lo que la voz ya no vuelve gradualmente a su acento de origen a lo largo de una generación.

Para el doblaje y la localización, esto significa que la voz de marca que hayas elegido —ya sea la de un actor famoso con el que trabajas o un tono que encaje mejor con el estilo de tu empresa— sonará genial en cualquier idioma compatible con Eleven v4.

Clonación de voz más auténtica y consistente

La clonación de voz es más auténtica, potente y consistente en Eleven v4 y Eleven v4 Turbo, con una similitud significativamente mayor con la voz original. Las clonaciones instantáneas de voz ahora pueden capturar voces con alta fidelidad usando solo 10 segundos de audio. 

Eleven v4 también conserva la identidad del hablante de forma más fiable entre generaciones, diálogos, narraciones y líneas regeneradas. Esto significa que, en proyectos de larga duración, los personajes, narradores y voces clonadas mantienen la consistencia durante toda la producción. Eleven v4 también incorpora compatibilidad con clonaciones de voz profesionales (PVC), para los casos de uso de clonación que requieren la máxima fidelidad.

El encadenamiento de solicitudes —unir generaciones para crear contenido más extenso— también es mucho más fiable en Eleven v4, lo que mejora la experiencia de trabajar en ElevenLabs Studio y la app ElevenLabs Reader.

Escucha la diferencia  

Eleven v4 y Eleven v4 Turbo son la culminación de nuestra investigación más reciente sobre generación de voz expresiva. Están diseñados para contenido en el que la entonación importa tanto como las propias palabras, ya sean audiolibros, interpretaciones de personajes, locuciones, doblaje o la localización de agentes conversacionales.

Ambos modelos ya están disponibles en ElevenAgents, ElevenCreative y a través de ElevenAPI. Crea una cuenta gratis para empezar a generar con Eleven v4 o Eleven v4 Turbo hoy mismo.

1. ^{Artificial Analysis, clasificación Provider Voice Arena, septiembre de 2026}
2. ^{Basado en pruebas de preferencia de usuarios comparativas y a ciegas frente a Cartesia Sonic 3.6, Inworld TTS-2, Google Gemini 3.8 Flash-Lite TTS y Google Gemini 3.8 Flash TTS, realizadas en septiembre de 2026. Para cada pareja, los evaluadores escucharon la misma línea de Eleven v4 y de un competidor, presentadas a ciegas, y valoraron cuál era más expresiva y cuál sonaba más natural; los empates contaron como medio punto.}
3. ^{Tiempo medio desde la solicitud hasta que se escucha la voz. Medido en septiembre de 2026 con guiones idénticos y ajustes predeterminados frente a Cartesia Sonic 3.6, xAI TTS, Google Gemini 3.8 Flash-Lite TTS y OpenAI GPT-4o mini TTS; la latencia de red se midió y se excluyó en todos los sistemas. Eleven v4 Turbo mediante streaming por WebSocket.}