Presentazione di Eleven v4, il nostro modello più espressivo

Una frase può cambiare notevolmente a seconda di come viene pronunciata. «Ho bisogno che tu resti calmo» dovrebbe suonare in modo diverso a seconda di chi la dice: un medico che la rivolge con gentilezza a un paziente spaventato o un personaggio di un videogioco che urla alla sua squadra prima di lanciarsi in battaglia.

Oggi lanciamo Eleven v4, il nostro modello di sintesi vocale più espressivo di sempre, e la sua variante a bassa latenza, Eleven v4 Turbo.

Classificato al primo posto da Artificial Analysis¹, e preferito da circa il 75% degli ascoltatori nei test comparativi alla cieca rispetto ai modelli concorrenti², Eleven v4 è stato progettato per interpretare tono, ritmo, emozione, carattere e contesto. Genera parlato che può risultare drammatico, delicato, urgente, comico o conversazionale, mantenendo al tempo stesso l'identità di chi parla. Le dinamiche più naturali tra più speaker rendono le conversazioni reattive, anziché simili a singole battute assemblate insieme. Gli speaker rispondono al contesto della conversazione, creando dialoghi e interazioni tra personaggi più naturali.

Una nuova architettura progettata per le prestazioni

Basato su un'architettura completamente nuova, Eleven v4 è il nostro modello di Text to Speech più espressivo, classificato al primo posto da Artificial Analysis¹. Eleven v4 Turbo porta la stessa tecnologia nei casi d'uso a bassa latenza, come gli agenti. Con una latenza mediana di inferenza di circa 100 ms, può rispondere più rapidamente della pausa media tra due persone che parlano.

Entrambi i modelli possono generare parlato espressivo anziché meccanico. Anche la fedeltà audio è superiore sotto ogni aspetto, con un output più pulito e naturale. 

Le generazioni precedenti di modelli di sintesi vocale sanno leggere un testo ad alta voce, ma Eleven v4 conferisce al parlato una profondità emotiva molto più naturale. Il modello può interpretare il tono desiderato, il ritmo da dare al parlato, il carattere della scrittura e il contesto del testo per creare un parlato emotivamente coinvolgente.

Gli utenti hanno anche un controllo dettagliato sugli output e possono descrivere in linguaggio naturale come pronunciare una battuta. Possono inoltre aggiungere istruzioni specifiche su come dire determinate frasi, quale emozione devono trasmettere e persino effetti sonori, usando tag inline come [laughs], [said angrily in French accent], [light rain] o [phone buzzing]. Eleven v4 segue questi tag audio e prompt di regia con maggiore precisione rispetto ai modelli precedenti, quindi ottieni l'interpretazione che descrivi. Così è più facile dirigere una narrazione, dare maggiore spessore ai personaggi o ai loro dialoghi e gestire altri contesti in cui l'interpretazione conta. 

La documentazione per sviluppatori di ElevenLabs illustra la sintassi completa dei tag e come applicarli tramite l'API. Anche il supporto dei fonemi dell'Alfabeto Fonetico Internazionale (IPA) è stato notevolmente migliorato, per rendere più affidabili le pronunce personalizzate.

Eleven v4 introduce anche miglioramenti nella coerenza e nelle conversazioni dinamiche tra più speaker. Grazie a un nuovo metodo per acquisire l'identità degli speaker, Eleven v4 preserva le qualità uniche di ciascuna voce. Riesce a mantenere il parlato coerente nelle conversazioni degli agenti, negli audiolibri e negli annunci pubblicitari. Poiché il modello comprende il contesto di un'intera scena, genera dialoghi naturali in cui gli speaker rispondono a ciò che è stato appena detto, anziché unire battute isolate.

Un modello Turbo per i casi d'uso a bassa latenza

I modelli vocali di alta qualità hanno tendenzialmente tempi di generazione del parlato più lunghi, costringendo gli utenti a scegliere tra agenti vocali veloci o espressivi. Molti hanno scelto agenti efficienti ma monotoni, che possono sembrare robotici a un cliente agitato che vuole semplicemente risolvere il proprio problema. 

Eleven v4 Turbo combina velocità ed emozione con un tempo mediano al primo parlato di circa 150 ms³, rendendo possibile implementare agenti potenti in innumerevoli settori: da agenti accoglienti e rassicuranti, in grado di pronunciare correttamente termini medici in ambito sanitario, ad agenti che parlano velocemente e usano slang per intrattenere i giocatori nel gaming.

Il modello Eleven v4 Turbo è progettato per funzionare con la piattaforma di agenti conversazionali di ElevenLabs, ElevenAgents. Altri strumenti per creare agenti combinano modelli e software di fornitori diversi, lasciando gli utenti senza un modo per perfezionare o migliorare gli output dei modelli in base ai propri casi d'uso. I team di ricerca e ingegneria di ElevenLabs hanno ottimizzato insieme Eleven v4 Turbo e ElevenAgents come un unico sistema, offrendo agenti più espressivi, affidabili e a bassa latenza.  

Una voce, moltissime lingue 

Il modo in cui comunichiamo varia in base al contesto, al luogo e persino al momento della giornata. Creare un parlato espressivo che rispecchi tutto questo, in più lingue, resta una delle sfide più difficili dell'audio IA. 

Eleven v4 rappresenta un passo avanti in tutti questi ambiti e i miglioramenti vanno oltre la semplice pronuncia delle frasi. Eleven v4 coglie meglio ritmo, emozione e interpretazione nelle diverse lingue, aiutando i creator a produrre un parlato naturale per la lingua e il contesto. Per esempio, il modo in cui parleresti a un anziano sconosciuto in Giappone è molto diverso da come gli parleresti in Italia. 

Sia Eleven v4 sia Eleven v4 Turbo supportano più di 90 lingue. Ora una voce registrata in una lingua parla fluentemente anche qualsiasi altra, adottando l'accento di un madrelingua e mantenendo l'identità dell'originale. La fedeltà all'accento è sensibilmente maggiore rispetto a prima, quindi la voce non torna gradualmente verso il proprio accento di origine nel corso di una generazione.

Per il doppiaggio e la localizzazione, questo significa che la voce del brand che hai scelto — che si tratti di un attore famoso con cui collabori o del tono più adatto allo stile della tua azienda — suonerà benissimo in qualsiasi lingua supportata da Eleven v4.

Clonazione vocale più autentica e coerente

La clonazione vocale è più autentica, potente e coerente in Eleven v4 e Eleven v4 Turbo, con una somiglianza significativamente migliore tra lo speaker e la voce sorgente originale. Le Clonazioni Vocali Istantanee ora possono acquisire voci ad alta fedeltà usando appena 10 secondi di audio. 

Eleven v4 preserva inoltre l'identità dello speaker in modo più affidabile tra generazioni, dialoghi, narrazioni e battute rigenerate. Questo significa che, nei progetti di lunga durata, personaggi, narratori e voci clonate restano coerenti per tutta la produzione. Eleven v4 aggiunge anche il supporto per le Clonazioni Vocali Professionali (PVC), destinate ai casi d'uso di clonazione con la massima fedeltà.

Anche il concatenamento delle richieste — unire generazioni per creare contenuti più lunghi — è significativamente più affidabile in Eleven v4, migliorando l'esperienza di lavoro in ElevenLabs Studio e nell'app ElevenLabs Reader.

Ascolta la differenza  

Eleven v4 e Eleven v4 Turbo sono il risultato delle nostre più recenti ricerche sulla generazione di parlato espressivo. Sono pensati per contenuti in cui l'interpretazione conta quanto le parole stesse, come audiolibri, interpretazioni di personaggi, voci fuori campo, doppiaggio o localizzazione di agenti conversazionali.

Entrambi i modelli sono ora disponibili in ElevenAgents, ElevenCreative e tramite ElevenAPI. Crea un account gratuito per iniziare oggi a generare con Eleven v4 o Eleven v4 Turbo.

1. ^{Artificial Analysis, Provider Voice Arena Leaderboard, settembre 2026}
2. ^{Basato su test alla cieca delle preferenze degli utenti, condotti confrontando direttamente Cartesia Sonic 3.6, Inworld TTS-2, Google Gemini 3.8 Flash-Lite TTS e Google Gemini 3.8 Flash TTS nel settembre 2026. Per ogni coppia, i valutatori hanno ascoltato la stessa battuta generata da Eleven v4 e da un concorrente, presentata alla cieca, e hanno giudicato quale fosse più espressiva e quale suonasse più naturale; i pareggi sono stati conteggiati come metà punto.}
3. ^{Tempo mediano dalla richiesta al parlato udibile. Misurato a settembre 2026 con script identici e impostazioni predefinite, confrontando Cartesia Sonic 3.6, xAI TTS, Google Gemini 3.8 Flash-Lite TTS e OpenAI GPT-4o mini TTS; la latenza di rete è stata misurata e rimossa per tutti i sistemi. Eleven v4 Turbo tramite streaming WebSocket.}