Przedstawiamy Eleven v4, nasz najbardziej emocjonalny model

Wymowa może diametralnie zmienić znaczenie zdania. „Musisz zachować spokój” zabrzmi inaczej w ustach lekarza mówiącego łagodnie do przestraszonego pacjenta, a inaczej, gdy postać z gry krzyczy to do swojego oddziału przed walką.

Dziś wprowadzamy Eleven v4, nasz najbardziej emocjonalny dotąd model zamiany tekstu na mowę, oraz jego wariant o niskich opóźnieniach, Eleven v4 Turbo.

Model Eleven v4 zajął 1. miejsce w rankingu Artificial Analysis¹ i został wybrany przez ok. 75% słuchaczy w ślepych testach porównawczych z konkurencyjnymi modelami². Zaprojektowaliśmy go tak, by rozumiał ton, tempo, emocje, postać i kontekst. Generuje mowę, która może brzmieć dramatycznie, czule, pilnie, komicznie lub naturalnie w rozmowie, zachowując przy tym tożsamość mówcy. Bardziej naturalna dynamika wielu mówców sprawia, że rozmowy brzmią jak prawdziwe reakcje, a nie osobno złożone kwestie. Mówcy reagują na kontekst rozmowy, dzięki czemu dialogi i interakcje postaci są bardziej naturalne.

Nowa architektura stworzona z myślą o wydajności

Eleven v4, oparty na całkowicie nowej architekturze, to nasz najbardziej emocjonalny model Text to Speech, który zajął 1. miejsce w rankingu Artificial Analysis¹. Eleven v4 Turbo wykorzystuje tę samą technologię w zastosowaniach wymagających niskich opóźnień, takich jak agenci. Przy medianie opóźnienia inferencji na poziomie ok. 100 ms może odpowiadać szybciej niż wynosi przeciętna przerwa między wypowiedziami dwóch osób.

Oba modele generują mowę, która brzmi emocjonalnie, a nie mechanicznie. Jakość dźwięku jest też wyższa pod każdym względem — wynik jest czystszy i bardziej naturalny. 

Wcześniejsze generacje modeli zamiany tekstu na mowę potrafią czytać tekst na głos, ale Eleven v4 nadaje mowie znacznie bardziej naturalną głębię emocjonalną. Model interpretuje zamierzony ton, tempo wypowiedzi, charakter tekstu i jego kontekst, by tworzyć mowę, która wybrzmiewa emocjonalnie.

Użytkownicy mają też precyzyjną kontrolę nad wynikami i mogą opisać naturalnym językiem, jak dana kwestia ma zostać wypowiedziana. Mogą dodawać konkretne wskazówki dotyczące wymowy wybranych fraz, emocji, które mają przekazywać, a nawet efekty dźwiękowe, używając tagów śródliniowych, takich jak [laughs], [said angrily in French accent], [light rain] czy [phone buzzing]. Eleven v4 dokładniej niż wcześniejsze modele stosuje się do tych tagów audio i wskazówek, więc uzyskujesz dokładnie taki sposób wypowiedzi, jaki opiszesz. Ułatwia to reżyserowanie narracji, rozwijanie postaci i ich dialogów oraz wszystko inne, gdzie sposób wypowiedzi ma znaczenie. 

W dokumentacji dla deweloperów ElevenLabs znajdziesz pełną składnię tagów oraz sposób używania ich przez API. Znacznie poprawiliśmy też obsługę fonemów Międzynarodowego Alfabetu Fonetycznego (IPA), dzięki czemu niestandardowa wymowa działa pewniej.

Eleven v4 poprawia też spójność i dynamikę rozmów między wieloma mówcami. Dzięki nowej metodzie uchwycenia tożsamości mówców Eleven v4 zachowuje unikalne cechy każdego głosu. Utrzymuje spójność mowy w rozmowach agentów, audiobookach i reklamach. Ponieważ model rozumie kontekst całej sceny, tworzy naturalne dialogi, w których mówcy reagują na to, co właśnie usłyszeli, zamiast łączyć odizolowane kwestie.

Model Turbo do zastosowań o niskich opóźnieniach

Modele głosowe wysokiej jakości zwykle wolniej generują mowę, więc użytkownicy musieli wybierać między szybkimi a ekspresyjnymi agentami głosowymi. Wielu wybierało sprawnych, lecz monotonnych agentów, którzy dla zdenerwowanego klienta chcącego tylko rozwiązać problem mogą brzmieć robotycznie. 

Eleven v4 Turbo łączy szybkość z emocjami, a mediana czasu do pierwszej wypowiedzi wynosi ok. 150 ms³. Pozwala to wdrażać skutecznych agentów w niezliczonych branżach — od ciepłych, uspokajających agentów, którzy poprawnie wymawiają terminy medyczne w ochronie zdrowia, po szybko mówiących agentów używających slangu, którzy bawią graczy.

Model Eleven v4 Turbo jest stworzony do pracy z platformą agentów konwersacyjnych ElevenLabs, ElevenAgents. Inni twórcy agentów łączą modele i oprogramowanie od różnych dostawców, przez co użytkownicy nie mają sposobu, by dopracować lub poprawić wyniki modelu pod własne zastosowania. Zespoły badawcze i inżynieryjne ElevenLabs wspólnie zoptymalizowały Eleven v4 Turbo i ElevenAgents jako jeden system, zapewniając bardziej ekspresyjnych, niezawodnych agentów o niskich opóźnieniach.  

Jeden głos, mnóstwo języków 

To, jak się komunikujemy, zależy od kontekstu, miejsca, a nawet pory dnia. Tworzenie ekspresyjnej mowy, która to odzwierciedla w różnych językach, wciąż jest jednym z najtrudniejszych wyzwań w audio AI. 

Eleven v4 robi postęp we wszystkich tych obszarach, a ulepszenia wykraczają poza samą wymowę fraz. Eleven v4 lepiej oddaje rytm, emocje i sposób wypowiedzi w różnych językach, pomagając twórcom tworzyć mowę naturalną dla danego języka i kontekstu. Na przykład do starszej nieznajomej osoby w Japonii zwrócisz się zupełnie inaczej niż we Włoszech. 

Zarówno Eleven v4, jak i Eleven v4 Turbo obsługują ponad 90 języków. Głos nagrany w jednym języku może teraz płynnie mówić w każdym innym, przyjmując akcent native speakera i zachowując tożsamość oryginału. Zachowanie akcentu jest wyraźnie lepsze niż wcześniej, więc głos nie wraca już stopniowo do swojego źródłowego akcentu podczas generowania.

W przypadku dubbingu i lokalizacji oznacza to, że wybrany przez ciebie głos marki — czy to współpracującego z tobą znanego aktora, czy ton najlepiej pasujący do stylu twojej firmy — zabrzmi świetnie w każdym języku obsługiwanym przez Eleven v4.

Bardziej autentyczne i spójne klonowanie głosu

Voice Cloning w Eleven v4 i Eleven v4 Turbo jest bardziej autentyczny, skuteczniejszy i spójniejszy, ze znacznie lepszym podobieństwem mówcy do oryginalnego głosu źródłowego. Instant Voice Clones mogą teraz uchwycić głos z wysoką wiernością na podstawie zaledwie 10 sekund nagrania. 

Eleven v4 pewniej zachowuje też tożsamość mówcy między generacjami, w dialogach, narracji i ponownie generowanych kwestiach. Oznacza to, że w dłuższych projektach postacie, narratorzy i sklonowane głosy pozostają spójne przez całą produkcję. Eleven v4 dodaje też obsługę Professional Voice Clones (PVC) do zastosowań wymagających klonowania o najwyższej wierności.

Łączenie żądań — łączenie generacji w dłuższe treści — jest też znacznie bardziej niezawodne w Eleven v4, co usprawnia pracę w ElevenLabs Studio i aplikacji ElevenLabs Reader.

Usłysz różnicę  

Eleven v4 i Eleven v4 Turbo to efekt naszych najnowszych badań nad generowaniem ekspresyjnej mowy. Stworzyliśmy je z myślą o treściach, w których sposób wypowiedzi jest równie ważny jak same słowa — audiobookach, kreacjach postaci, nałożonych głosach, dubbingu czy lokalizacji agentów konwersacyjnych.

Oba modele są już dostępne w ElevenAgents, ElevenCreative i przez ElevenAPI. Załóż bezpłatne konto i zacznij generować z Eleven v4 lub Eleven v4 Turbo już dziś.

1. ^{Artificial Analysis, ranking Provider Voice Arena, wrzesień 2026}
2. ^{Na podstawie ślepych testów preferencji użytkowników porównujących Eleven v4 z Cartesia Sonic 3.6, Inworld TTS-2, Google Gemini 3.8 Flash-Lite TTS i Google Gemini 3.8 Flash TTS, wrzesień 2026. Dla każdej pary oceniający słyszeli tę samą kwestię w wykonaniu Eleven v4 i jednego konkurenta, bez informacji o źródle, i oceniali, która wersja była bardziej ekspresyjna oraz która brzmiała bardziej naturalnie; remisy liczono jako połowę.}
3. ^{Mediana czasu od żądania do słyszalnej mowy. Pomiar przeprowadzono we wrześniu 2026 z identycznymi skryptami i ustawieniami domyślnymi, porównując z Cartesia Sonic 3.6, xAI TTS, Google Gemini 3.8 Flash-Lite TTS i OpenAI GPT-4o mini TTS; opóźnienie sieciowe zmierzono i wyłączono dla wszystkich systemów. Eleven v4 Turbo przez streaming WebSocket.}