Apresentamos o Eleven v4, nosso modelo mais expressivo

Uma frase pode mudar bastante dependendo de como é dita. “Preciso que você mantenha a calma” deve soar diferente conforme quem a diz: um médico falando com delicadeza a um paciente assustado ou um personagem de jogo gritando para seu esquadrão antes de entrar em batalha.

Hoje, lançamos o Eleven v4, nosso modelo de Text to Speech mais emotivo até agora, e sua variante de baixa latência, o Eleven v4 Turbo.

Classificado em 1º lugar pela Artificial Analysis¹, e preferido por cerca de 75% dos ouvintes em testes comparativos às cegas contra modelos concorrentes², o Eleven v4 foi desenvolvido para interpretar tom, ritmo, emoção, personagem e contexto. Ele gera falas que podem soar dramáticas, delicadas, urgentes, cômicas ou conversacionais, preservando a identidade de quem fala. Dinâmicas mais naturais entre várias pessoas tornam as conversas mais responsivas, em vez de parecerem frases separadas montadas umas às outras. Os interlocutores respondem ao contexto da conversa, produzindo diálogos e interações entre personagens mais naturais.

Uma nova arquitetura criada para desempenho

Criado com uma arquitetura totalmente nova, o Eleven v4 é nosso modelo de Text to Speech mais emotivo, classificado em 1º lugar pela Artificial Analysis¹. O Eleven v4 Turbo leva essa mesma tecnologia a casos de uso de baixa latência, como agentes. Com uma latência mediana de inferência de cerca de 100 ms, ele pode responder mais rápido que a pausa média entre duas pessoas conversando.

Os dois modelos podem gerar falas emotivas, em vez de mecânicas. A fidelidade de áudio também é maior em todos os aspectos, com resultados mais limpos e naturais. 

As gerações anteriores de modelos de Text to Speech conseguem ler textos em voz alta, mas o Eleven v4 traz uma profundidade emocional à fala que soa muito mais natural. O modelo interpreta o tom desejado, o ritmo da fala, o estilo da escrita e o contexto do texto para entregar falas emocionalmente envolventes.

Os usuários também têm controle detalhado sobre os resultados e podem descrever em linguagem natural como uma frase deve ser interpretada. Também podem adicionar instruções específicas sobre como dizer determinadas frases, quais emoções elas devem transmitir e até efeitos sonoros, usando tags em linha como [laughs], [said angrily in French accent], [light rain] ou [phone buzzing]. O Eleven v4 segue essas tags de áudio e instruções de direção com mais precisão do que os modelos anteriores, então a interpretação que você descreve é a que recebe. Isso facilita dirigir narrações, desenvolver personagens e seus diálogos, além de outros casos em que a interpretação importa. 

A documentação para desenvolvedores da ElevenLabs explica toda a sintaxe das tags e como aplicá-las pela API. O suporte a fonemas do Alfabeto Fonético Internacional (IPA) também melhorou significativamente, para que pronúncias personalizadas funcionem de forma mais confiável.

O Eleven v4 também traz melhorias na consistência e nas conversas dinâmicas entre várias pessoas. Usando um novo método para captar as identidades dos interlocutores, o Eleven v4 preserva as características únicas de cada voz. Ele mantém a fala consistente em conversas de agentes, audiolivros ou anúncios. Como o modelo entende o contexto de uma cena inteira, ele gera diálogos naturais, nos quais os interlocutores respondem ao que acabou de ser dito, em vez de simplesmente unir frases isoladas.

Um modelo Turbo para casos de uso de baixa latência

Modelos de voz de alta qualidade tendem a ser mais lentos para gerar fala, o que obriga usuários a escolher entre agentes de voz rápidos ou expressivos agentes de voz. Muitos optaram por agentes competentes, mas monótonos, que podem parecer robóticos para um cliente aflito que só quer resolver seu problema. 

O Eleven v4 Turbo combina velocidade e emoção, com um tempo mediano até a primeira fala de cerca de 150 ms³, possibilitando implementar agentes avançados em inúmeros setores: desde agentes acolhedores e tranquilizadores que pronunciam termos médicos com precisão na área da saúde até agentes que falam rápido e usam gírias para entreter jogadores em games.

O modelo Eleven v4 Turbo foi criado para funcionar com a plataforma de agentes conversacionais da ElevenLabs, o ElevenAgents. Outros criadores de agentes combinam modelos e softwares de diferentes fornecedores, o que deixa os usuários sem uma forma de refinar ou melhorar os resultados do modelo para seus casos de uso específicos. As equipes de pesquisa e engenharia da ElevenLabs otimizaram o Eleven v4 Turbo e o ElevenAgents juntos como um único sistema, oferecendo agentes mais expressivos, confiáveis e de baixa latência.  

Uma voz, inúmeros idiomas 

A forma como nos comunicamos varia conforme o contexto, o lugar e até a hora do dia. Criar falas expressivas que reflitam isso em diferentes idiomas continua sendo um dos desafios mais difíceis da IA de áudio. 

O Eleven v4 representa um avanço em todas essas áreas, e as melhorias vão além da forma como o modelo pronuncia frases. O Eleven v4 capta melhor o ritmo, a emoção e a interpretação em diferentes idiomas, ajudando criadores a produzir falas que soam naturais para cada idioma e contexto. Por exemplo, a forma como você falaria com um idoso desconhecido no Japão é bem diferente de como falaria com ele na Itália. 

Tanto o Eleven v4 quanto o Eleven v4 Turbo são compatíveis com mais de 90 idiomas. Agora, uma voz gravada em um idioma também fala qualquer outro com fluência, adotando o sotaque de um falante nativo e preservando a identidade da voz original. Essa fidelidade ao sotaque está visivelmente maior do que antes, para que a voz não volte gradualmente ao sotaque de origem ao longo de uma geração.

Para dublagem e localização, isso significa que a voz da marca que você escolheu — seja a de um ator famoso com quem você trabalha ou um tom que combine melhor com o estilo da sua empresa — soará ótima em qualquer idioma compatível com o Eleven v4.

Clonagem de voz mais autêntica e consistente

A clonagem de voz é mais autêntica, potente e consistente no Eleven v4 e no Eleven v4 Turbo, com uma similaridade significativamente maior entre a voz gerada e a voz original. Agora, as Clonagens de Voz Instantâneas podem captar vozes em alta fidelidade usando apenas 10 segundos de áudio. 

O Eleven v4 também preserva a identidade de quem fala com mais confiabilidade entre gerações, diálogos, narrações e frases regeneradas. Isso significa que, em projetos longos, personagens, narradores e vozes clonadas permanecem consistentes durante toda a produção. O Eleven v4 também adiciona suporte a Clonagens de Voz Profissionais (PVC), para casos de uso que exigem a maior fidelidade de clonagem.

O encadeamento de solicitações — conectar gerações para criar conteúdos mais longos — também é significativamente mais confiável no Eleven v4, melhorando a experiência de trabalho no Estúdio da ElevenLabs e no app ElevenLabs Reader.

Ouça a diferença você mesmo  

O Eleven v4 e o Eleven v4 Turbo são a culminação das nossas pesquisas mais recentes em geração de fala expressiva. Eles foram criados para conteúdos em que a interpretação importa tanto quanto as próprias palavras, como audiolivros, performances de personagens, locuções, dublagem ou localização de agentes conversacionais.

Os dois modelos já estão disponíveis no ElevenAgents, no ElevenCreative e pela ElevenAPI. Crie uma conta grátis para começar a gerar conteúdo com o Eleven v4 ou o Eleven v4 Turbo hoje mesmo.

1. ^{Artificial Analysis, ranking Provider Voice Arena, set. de 2026}
2. ^{Com base em testes comparativos às cegas de preferência dos usuários contra Cartesia Sonic 3.6, Inworld TTS-2, Google Gemini 3.8 Flash-Lite TTS e Google Gemini 3.8 Flash TTS, em setembro de 2026. Em cada par, os avaliadores ouviram a mesma frase do Eleven v4 e de um concorrente, apresentadas às cegas, e avaliaram qual era mais expressiva e qual soava mais natural; empates contaram como meio ponto.}
3. ^{Tempo mediano entre a solicitação e a fala audível. Medido em setembro de 2026 com roteiros idênticos e configurações padrão contra Cartesia Sonic 3.6, xAI TTS, Google Gemini 3.8 Flash-Lite TTS e OpenAI GPT-4o mini TTS; a latência de rede foi medida e removida em todos os sistemas. Eleven v4 Turbo via streaming WebSocket.}