Présentation d’Eleven v4, notre modèle le plus expressif

Une même phrase peut changer considérablement selon la façon dont elle est prononcée. « J’ai besoin que vous restiez calme » ne sonnera pas de la même manière selon la personne qui la dit, qu’il s’agisse d’un médecin s’adressant avec douceur à un patient effrayé ou d’un personnage de jeu criant à son escouade avant de partir au combat.

Aujourd’hui, nous lançons Eleven v4, notre modèle Text to Speech le plus expressif à ce jour, ainsi que sa variante à faible latence, Eleven v4 Turbo.

Classé n° 1 par Artificial Analysis¹, et préféré par environ 75 % des auditeurs lors de tests comparatifs en aveugle face à des modèles concurrents², Eleven v4 a été conçu pour interpréter le ton, le rythme, l’émotion, le personnage et le contexte. Il génère une parole dramatique, tendre, urgente, comique ou conversationnelle, tout en préservant l’identité du locuteur. Des dynamiques plus naturelles entre plusieurs locuteurs rendent les conversations plus réactives, au lieu de donner l’impression d’assembler des répliques distinctes. Les locuteurs réagissent au contexte de la conversation pour produire des dialogues et des interactions entre personnages plus naturels.

Une nouvelle architecture conçue pour la performance

Construit sur une architecture entièrement nouvelle, Eleven v4 est notre modèle Text to Speech le plus expressif, classé n° 1 par Artificial Analysis¹. Eleven v4 Turbo apporte cette même technologie aux cas d’usage à faible latence, comme les agents. Avec une latence médiane d’inférence d’environ 100 ms, il peut répondre plus vite que la pause moyenne entre deux personnes qui parlent.

Les deux modèles peuvent générer une parole expressive plutôt que mécanique. La fidélité audio est également supérieure dans tous les domaines, pour un rendu plus net et plus naturel. 

Les générations précédentes de modèles de synthèse vocale peuvent lire un texte à voix haute, mais Eleven v4 apporte à la parole une profondeur émotionnelle bien plus naturelle. Le modèle interprète le ton recherché, le rythme de la parole, le style d’écriture et le contexte du texte pour générer une parole chargée d’émotion.

Les utilisateurs disposent également d’un contrôle précis sur les résultats et peuvent décrire en langage naturel la manière dont une réplique doit être prononcée. Ils peuvent aussi ajouter des instructions spécifiques sur la prononciation de certains passages, l’émotion à transmettre et même des effets sonores, à l’aide de balises intégrées telles que [laughs], [said angrily in French accent], [light rain] ou [phone buzzing]. Eleven v4 suit ces balises audio et ces indications de mise en scène avec plus de précision que les modèles précédents : vous obtenez le rendu que vous décrivez. Il devient ainsi plus simple de diriger une narration, de développer des personnages ou leurs dialogues, et tous les contenus où l’interprétation compte. 

La documentation destinée aux développeurs d’ElevenLabs présente la syntaxe complète des balises et explique comment les appliquer via l’API. La prise en charge des phonèmes de l’Alphabet phonétique international (API) a également été nettement améliorée, pour des prononciations personnalisées plus fiables.

Eleven v4 améliore également la cohérence et les conversations dynamiques entre plusieurs locuteurs. Grâce à une nouvelle méthode de capture de l’identité des locuteurs, Eleven v4 préserve les qualités uniques de chaque voix. Il maintient une parole cohérente dans les conversations d’agents, les livres audio ou les publicités. Comme le modèle comprend le contexte d’une scène entière, il génère des dialogues naturels dans lesquels les locuteurs réagissent à ce qui vient d’être dit, plutôt que d’assembler des répliques isolées.

Un modèle Turbo pour les cas d’usage à faible latence

Les modèles vocaux de haute qualité ont généralement été plus lents à générer de la parole, obligeant les utilisateurs à choisir entre des agents vocaux rapides ou expressifs. Beaucoup ont opté pour des agents compétents mais monotones, qui peuvent sembler robotiques à un client désemparé cherchant simplement à résoudre son problème. 

Eleven v4 Turbo associe rapidité et émotion, avec un délai médian avant la première parole d’environ 150 ms³, ce qui permet de déployer des agents performants dans d’innombrables secteurs, des agents chaleureux et rassurants capables de prononcer avec précision des termes médicaux dans la santé, aux agents au débit rapide maîtrisant l’argot pour divertir les joueurs dans le gaming.

Le modèle Eleven v4 Turbo est conçu pour fonctionner avec la plateforme d’agents conversationnels d’ElevenLabs, ElevenAgents. Les autres concepteurs d’agents assemblent des modèles et des logiciels de différents fournisseurs, sans offrir aux utilisateurs les moyens d’affiner ou d’améliorer les résultats des modèles pour leurs cas d’usage spécifiques. Les équipes de recherche et d’ingénierie d’ElevenLabs ont optimisé Eleven v4 Turbo et ElevenAgents comme un seul système, pour des agents plus expressifs, fiables et à faible latence.  

Une voix, une multitude de langues 

Notre manière de communiquer varie selon le contexte, le lieu et même le moment de la journée. Créer une parole expressive qui reflète ces variations, dans toutes les langues, reste l’un des défis les plus complexes de l’IA audio. 

Eleven v4 progresse dans tous ces domaines, et les améliorations vont bien au-delà de la simple prononciation des phrases. Eleven v4 restitue mieux le rythme, l’émotion et l’interprétation dans toutes les langues, afin d’aider les créateurs à produire une parole naturelle, adaptée à la langue et au contexte. Par exemple, vous ne vous adresseriez pas à une personne âgée inconnue au Japon de la même façon qu’en Italie. 

Eleven v4 et Eleven v4 Turbo prennent tous deux en charge plus de 90 langues. Désormais, une voix enregistrée dans une langue peut parler couramment toutes les autres, en adoptant l’accent d’un locuteur natif tout en conservant l’identité de la voix d’origine. Cette fidélité à l’accent est nettement plus forte qu’auparavant : la voix ne revient plus progressivement à son accent d’origine au fil de la génération.

Pour le doublage et la localisation, cela signifie que la voix de marque que vous avez choisie, qu’il s’agisse d’une célébrité avec laquelle vous travaillez ou d’un ton qui correspond au mieux au style de votre entreprise, sonnera parfaitement dans toutes les langues prises en charge par Eleven v4.

Un clonage de voix plus authentique et cohérent

Le clonage de voix est plus authentique, plus performant et plus cohérent avec Eleven v4 et Eleven v4 Turbo, avec une similarité nettement supérieure entre le locuteur et la voix source d’origine. Les clonages de voix instantanés peuvent désormais reproduire des voix avec une haute fidélité à partir de seulement 10 secondes d’audio. 

Eleven v4 préserve également l’identité du locuteur de manière plus fiable entre les générations, les dialogues, les narrations et les répliques régénérées. Pour les projets longs, les personnages, narrateurs et voix clonées restent ainsi cohérents tout au long de la production. Eleven v4 prend également en charge les Professional Voice Clones (PVC), pour les cas d’usage exigeant un clonage de la plus haute fidélité.

L’enchaînement de requêtes, qui consiste à relier des générations pour créer du contenu long, est également beaucoup plus fiable dans Eleven v4. Cela améliore l’expérience de travail dans ElevenLabs Studio et l’application ElevenLabs Reader.

Écoutez la différence par vous-même  

Eleven v4 et Eleven v4 Turbo sont l’aboutissement de nos dernières recherches sur la génération de parole expressive. Ils sont conçus pour les contenus où l’interprétation compte autant que les mots, qu’il s’agisse de livres audio, de performances de personnages, de voix off, de doublage ou de la localisation d’agents conversationnels.

Les deux modèles sont désormais disponibles dans ElevenAgents, ElevenCreative et via ElevenAPI. Créer un compte gratuit pour commencer dès aujourd’hui à générer avec Eleven v4 ou Eleven v4 Turbo.

1. ^{Artificial Analysis, classement Provider Voice Arena, septembre 2026}
2. ^{Basé sur des tests de préférence utilisateurs comparatifs en aveugle face à Cartesia Sonic 3.6, Inworld TTS-2, Google Gemini 3.8 Flash-Lite TTS et Google Gemini 3.8 Flash TTS, en septembre 2026. Pour chaque paire, les évaluateurs ont écouté la même réplique générée par Eleven v4 et par un concurrent, présentées à l’aveugle, puis ont déterminé laquelle était la plus expressive et laquelle semblait la plus naturelle. Les égalités comptaient pour moitié.}
3. ^{Délai médian entre la requête et la parole audible. Mesuré en septembre 2026 avec des scripts identiques et les paramètres par défaut, face à Cartesia Sonic 3.6, xAI TTS, Google Gemini 3.8 Flash-Lite TTS et OpenAI GPT-4o mini TTS. La latence réseau a été mesurée puis exclue pour tous les systèmes. Eleven v4 Turbo en streaming WebSocket.}