पेश है Eleven v4, हमारा अब तक का सबसे भावपूर्ण मॉडल

टेक्स्ट की किसी पंक्ति का असर उसे बोलने के तरीके से काफी बदल सकता है। “मुझे चाहिए कि आप शांत रहें" अलग सुनाई देना चाहिए, इस पर निर्भर करते हुए कि इसे कौन कह रहा है—चाहे कोई डॉक्टर डरे हुए मरीज़ से नरमी से कह रहा हो, या गेम का कोई किरदार लड़ाई में उतरने से पहले अपनी टीम पर चिल्ला रहा हो।

आज हम लॉन्च कर रहे हैं Eleven v4, हमारा अब तक का सबसे भावपूर्ण टेक्स्ट टू स्पीच मॉडल, और इसका कम-लेटेंसी वाला वेरिएंट, Eleven v4 Turbo।

Artificial Analysis द्वारा #1 रैंक दिया गया¹, और ब्लाइंड हेड-टू-हेड टेस्ट में प्रतिस्पर्धी मॉडलों के मुकाबले ~75% श्रोताओं की पसंद², Eleven v4 को टोन, गति, भावना, किरदार और संदर्भ समझने के लिए डिज़ाइन किया गया है। यह स्पीकर की पहचान बरकरार रखते हुए नाटकीय, कोमल, तात्कालिक, हास्यपूर्ण या संवादात्मक लगने वाली स्पीच जनरेट करता है। कई स्पीकर्स के बीच अधिक स्वाभाविक तालमेल से बातचीत अलग-अलग पंक्तियों को जोड़कर बनाई हुई नहीं, बल्कि जवाबदेह महसूस होती है। स्पीकर्स बातचीत के संदर्भ के अनुसार प्रतिक्रिया देते हैं, जिससे संवाद और किरदारों के बीच बातचीत अधिक स्वाभाविक बनती है।

परफ़ॉर्मेंस के लिए बना नया आर्किटेक्चर

पूरी तरह नए आर्किटेक्चर पर बना, Eleven v4 हमारा सबसे भावपूर्ण टेक्स्ट टू स्पीच मॉडल है, जिसे Artificial Analysis ने #1 रैंक दिया है¹। Eleven v4 Turbo यही टेक्नोलॉजी एजेंट्स जैसे कम-लेटेंसी उपयोग के मामलों में लाता है। ~100ms की औसत अनुमान लेटेंसी के साथ, यह दो लोगों की बातचीत के बीच आने वाले औसत विराम से भी तेज़ जवाब दे सकता है।

दोनों मॉडल ऐसी स्पीच जनरेट कर सकते हैं जो मशीन जैसी नहीं, भावपूर्ण लगे। ऑडियो की मूल गुणवत्ता भी हर स्तर पर बेहतर है और आउटपुट ज़्यादा साफ़ व स्वाभाविक सुनाई देता है। 

टेक्स्ट टू स्पीच मॉडल की पिछली पीढ़ियां टेक्स्ट को आवाज़ में पढ़ सकती हैं, लेकिन Eleven v4 स्पीच में ऐसी भावनात्मक गहराई लाता है जो कहीं ज़्यादा स्वाभाविक लगती है। मॉडल वांछित टोन, स्पीच की गति, लेखन के किरदार और टेक्स्ट के संदर्भ को समझकर भावनात्मक असर वाली स्पीच दे सकता है।

यूज़र्स को आउटपुट पर बारीकी से नियंत्रण भी मिलता है और वे सामान्य भाषा में बता सकते हैं कि कोई पंक्ति कैसे बोली जानी चाहिए। वे यह भी बता सकते हैं कि खास वाक्यांश कैसे कहे जाएं, उनमें कौन-सी भावना हो, और यहां तक कि साउंड इफेक्ट्स, के लिए भी निर्देश दे सकते हैं—इनलाइन टैग्स जैसे [laughs], [said angrily in French accent], [light rain] या [phone buzzing] का इस्तेमाल करके। Eleven v4 इन ऑडियो टैग्स और निर्देश प्रॉम्प्ट्स का पालन पिछले मॉडलों से ज़्यादा सटीकता से करता है, इसलिए जैसा डिलीवरी आप बताते हैं, वैसा ही आपको मिलता है। इससे नैरेशन को निर्देशित करना, किरदारों या उनके संवादों को विस्तार देना और ऐसे दूसरे काम आसान हो जाते हैं, जहां डिलीवरी मायने रखती है। 

ElevenLabs डेवलपर डॉक्यूमेंटेशन में पूरी टैग सिंटैक्स और API के ज़रिए इन टैग्स को लागू करने का तरीका बताया गया है। इंटरनेशनल फोनेटिक अल्फाबेट (IPA) फोनीम्स के लिए समर्थन भी काफी बेहतर हुआ है, इसलिए कस्टम उच्चारण ज़्यादा भरोसेमंद ढंग से काम करते हैं।

Eleven v4 कई स्पीकर्स के बीच एकरूपता और गतिशील बातचीत में भी सुधार लाता है। स्पीकर्स की पहचान कैप्चर करने के नए तरीके से Eleven v4 हर आवाज़ की अनूठी खूबियां बनाए रखता है। यह एजेंट बातचीत, ऑडियोबुक्स, या विज्ञापनों में स्पीच को एकरूप रख सकता है। मॉडल पूरे दृश्य का संदर्भ समझता है, इसलिए यह ऐसा स्वाभाविक संवाद जनरेट करता है जिसमें स्पीकर्स अभी कही गई बात का जवाब देते हैं, अलग-अलग पंक्तियों को जोड़ते नहीं हैं।

कम-लेटेंसी उपयोग के मामलों के लिए Turbo मॉडल

उच्च-गुणवत्ता वाले वॉइस मॉडल आम तौर पर स्पीच जनरेट करने में धीमे रहे हैं, यानी यूज़र्स को तेज़ या भावपूर्ण वॉइस एजेंट्स के बीच चुनना पड़ा है। कई लोगों ने कुशल लेकिन एकरस एजेंट्स चुने हैं, जो अपनी समस्या सुलझाना चाह रहे परेशान ग्राहक को रोबोटिक लग सकते हैं। 

Eleven v4 Turbo, ~150ms के पहले स्पीच तक के औसत समय के साथ, गति और भावना को जोड़ता है³, जिससे अनगिनत उद्योगों में शक्तिशाली एजेंट्स तैनात करना संभव होता है—हेल्थकेयर में मेडिकल शब्दों का सटीक उच्चारण करने वाले गर्मजोशी भरे, भरोसा दिलाने वाले एजेंट्स से लेकर गेमिंग में खिलाड़ियों का मनोरंजन करने वाले तेज़ बोलने वाले, स्लैंग इस्तेमाल करने वाले एजेंट्स तक।

Eleven v4 Turbo मॉडल को ElevenLabs के कन्वर्सेशनल एजेंट्स प्लेटफ़ॉर्म, ElevenAgents के साथ काम करने के लिए बनाया गया है। दूसरे एजेंट बिल्डर्स अलग-अलग वेंडर्स के मॉडल और सॉफ़्टवेयर को जोड़ते हैं, जिससे यूज़र्स के पास अपने खास उपयोग के मामलों के लिए मॉडल आउटपुट को सुधारने का तरीका नहीं बचता। ElevenLabs की रिसर्च और इंजीनियरिंग टीमों ने Eleven v4 Turbo और ElevenAgents को एक सिस्टम के रूप में साथ ऑप्टिमाइज़ किया है, जिससे ज़्यादा भावपूर्ण, भरोसेमंद और कम-लेटेंसी वाले एजेंट्स मिलते हैं।  

एक आवाज़, अनगिनत भाषाएं 

हमारे संवाद करने का तरीका संदर्भ, जगह और यहां तक कि दिन के समय के हिसाब से बदलता है। भाषाओं के पार, इसे दर्शाने वाली भावपूर्ण स्पीच बनाना अब भी AI ऑडियो की सबसे कठिन चुनौतियों में से एक है। 

Eleven v4 इन सभी पहलुओं में एक बड़ा कदम आगे है, और सुधार केवल मॉडल द्वारा वाक्यांशों के उच्चारण तक सीमित नहीं हैं। Eleven v4 भाषाओं के बीच लय, भावना और डिलीवरी को बेहतर ढंग से कैप्चर करता है, जिससे क्रिएटर्स ऐसी स्पीच बना पाते हैं जो भाषा और संदर्भ के लिए स्वाभाविक लगे। उदाहरण के लिए, जापान में किसी बुज़ुर्ग अजनबी से आप जिस तरह बात करेंगे, वह इटली में उनसे बात करने के तरीके से काफी अलग होगा। 

Eleven v4 और Eleven v4 Turbo, दोनों 90 से ज़्यादा भाषाओं को सपोर्ट करते हैं। अब एक भाषा में रिकॉर्ड की गई आवाज़ दूसरी हर भाषा भी धाराप्रवाह बोलती है और मूल स्पीकर की पहचान बनाए रखते हुए स्थानीय वक्ता का लहजा अपनाती है। लहजे का यह पालन पहले से काफ़ी बेहतर है, इसलिए जनरेशन के दौरान आवाज़ फिर अपने स्रोत लहजे की ओर नहीं लौटती।

डबिंग और स्थानीयकरण के लिए, इसका मतलब है कि आपके चुने हुए ब्रांड की आवाज़—चाहे वह आपके साथ काम करने वाला कोई सेलिब्रिटी ऐक्टर हो या आपकी कंपनी की शैली के अनुकूल टोन—Eleven v4 द्वारा समर्थित हर भाषा में शानदार सुनाई देगी।

ज़्यादा प्रामाणिक, एकरूप वॉइस क्लोनिंग

Eleven v4 और Eleven v4 Turbo में वॉइस क्लोनिंग ज़्यादा प्रामाणिक, शक्तिशाली और एकरूप है, जिसमें मूल स्रोत आवाज़ के साथ स्पीकर की समानता काफी बेहतर है। इंस्टेंट वॉइस क्लोन्स अब सिर्फ़ 10 सेकंड के ऑडियो से उच्च गुणवत्ता के साथ आवाज़ कैप्चर कर सकते हैं। 

Eleven v4 जनरेशन, संवाद, नैरेशन और दोबारा जनरेट की गई पंक्तियों में भी स्पीकर की पहचान को ज़्यादा भरोसेमंद ढंग से बनाए रखता है। इसका मतलब है कि लंबे प्रोजेक्ट्स में किरदार, नैरेटर और क्लोन की गई आवाज़ें पूरी प्रोडक्शन में एकरूप रहती हैं। Eleven v4 सबसे उच्च गुणवत्ता वाली क्लोनिंग के उपयोग के मामलों के लिए Professional Voice Clones (PVC) का समर्थन भी जोड़ता है।

रिक्वेस्ट स्टिचिंग—लंबे कंटेंट के लिए जनरेशंस को एक साथ जोड़ना—भी Eleven v4 में काफी ज़्यादा भरोसेमंद है, जिससे ElevenLabs Studio और ElevenLabs रीडर ऐप में काम करने का अनुभव बेहतर होता है।

खुद अंतर सुनें  

Eleven v4 और Eleven v4 Turbo, भावपूर्ण स्पीच जनरेशन में हमारे नवीनतम रिसर्च का परिणाम हैं। इन्हें ऐसे कंटेंट के लिए बनाया गया है जहां डिलीवरी भी शब्दों जितनी ही मायने रखती है—चाहे वह ऑडियोबुक्स, किरदारों की परफ़ॉर्मेंस, वॉइसओवर, डबिंग या कन्वर्सेशनल एजेंट्स का स्थानीयकरण हो।

दोनों मॉडल अब ElevenAgents, ElevenCreative, और ElevenAPI के ज़रिए उपलब्ध हैं। मुफ़्त अकाउंट बनाएं और आज ही Eleven v4 या Eleven v4 Turbo के साथ जनरेट करना शुरू करें।

1. ^{Artificial Analysis, Provider Voice Arena Leaderboard, सितंबर 2026}
2. ^{सितंबर 2026 में Cartesia Sonic 3.6, Inworld TTS-2, Google Gemini 3.8 Flash-Lite TTS और Google Gemini 3.8 Flash TTS के विरुद्ध किए गए ब्लाइंड हेड-टू-हेड यूज़र प्राथमिकता परीक्षण पर आधारित। हर जोड़ी में मूल्यांकनकर्ताओं ने Eleven v4 और एक प्रतिस्पर्धी की एक ही पंक्ति बिना पहचान बताए सुनी, और तय किया कि कौन अधिक भावपूर्ण और कौन अधिक स्वाभाविक सुनाई दिया; टाई को आधा माना गया।}
3. ^{रिक्वेस्ट से सुनाई देने वाली स्पीच तक का औसत समय। सितंबर 2026 में समान स्क्रिप्ट्स और डिफ़ॉल्ट सेटिंग्स के साथ Cartesia Sonic 3.6, xAI TTS, Google Gemini 3.8 Flash-Lite TTS और OpenAI GPT-4o mini TTS के विरुद्ध मापा गया; सभी सिस्टम्स के लिए नेटवर्क लेटेंसी मापकर हटा दी गई। WebSocket स्ट्रीमिंग पर Eleven v4 Turbo।}