Vi presenterar Eleven v4, vår mest uttrycksfulla modell

En textrad kan förändras avsevärt beroende på hur den uttalas. ”Jag behöver att du håller dig lugn” bör låta olika beroende på vem som säger det, oavsett om det är en läkare som säger det varsamt till en rädd patient eller en karaktär i ett spel som ropar till sin grupp innan de kastar sig in i striden.

I dag lanserar vi Eleven v4, vår mest uttrycksfulla text-till-tal-modell hittills, och dess variant med låg fördröjning, Eleven v4 Turbo.

Rankad som nummer 1 av Artificial Analysis¹, och föredragen av cirka 75 % av lyssnarna i blinda jämförande tester mot konkurrerande modeller², är Eleven v4 utformad för att tolka tonfall, tempo, känslor, karaktär och sammanhang. Den genererar tal som kan låta dramatiskt, ömt, brådskande, komiskt eller vardagligt, samtidigt som talarens identitet bevaras. Mer naturlig dynamik mellan flera talare gör att samtal känns följsamma i stället för som separata rader som satts ihop. Talarna reagerar på samtalets sammanhang, vilket ger mer naturliga dialoger och interaktioner mellan karaktärer.

En ny arkitektur byggd för prestanda

Eleven v4 bygger på en helt ny arkitektur och är vår mest uttrycksfulla Text to Speech-modell, rankad som nummer 1 av Artificial Analysis¹. Eleven v4 Turbo ger samma teknik för användningsfall med låg fördröjning, som agenter. Med en medianfördröjning för inferens på cirka 100 ms kan den svara snabbare än den genomsnittliga pausen mellan två personer som pratar.

Båda modellerna kan generera tal som känns känslosamt snarare än mekaniskt. Ljudåtergivningen är också bättre överlag, med renare och mer naturligt ljudande resultat. 

Tidigare generationer av text-till-tal-modeller kan läsa upp text, men Eleven v4 ger talet ett känslomässigt djup som känns betydligt mer naturligt. Modellen kan tolka avsedd ton, hur talet bör tempoläggas, textens karaktär och sammanhanget i texten för att skapa tal med känslomässig resonans.

Användare har också detaljerad kontroll över resultatet och kan med naturligt språk beskriva hur en replik ska levereras. De kan även lägga till specifika instruktioner om hur vissa fraser ska sägas, vilken känsla de ska förmedla och till och med ljudeffekter, med inline-taggar som [laughs], [said angrily in French accent], [light rain] eller [phone buzzing]. Eleven v4 följer dessa ljudtaggar och instruktioner mer exakt än tidigare modeller, så leveransen du beskriver är den du får. Det gör det enklare att regissera berättarröst, utveckla karaktärer och deras dialog eller hantera andra situationer där leveransen är viktig. 

I ElevenLabs utvecklardokumentation finns fullständig taggsyntax och information om hur du använder dessa taggar via API:et. Stödet för fonem i det internationella fonetiska alfabetet (IPA) har också förbättrats avsevärt, så anpassade uttal fungerar mer tillförlitligt.

Eleven v4 förbättrar också konsekvensen och dynamiska samtal mellan flera talare. Med en ny metod för att fånga talarnas identitet bevarar Eleven v4 varje rösts unika egenskaper. Den kan hålla talet konsekvent i samtal med agenter, ljudböcker eller annonser. Eftersom modellen förstår sammanhanget i en hel scen skapar den naturliga dialoger där talare reagerar på det som nyss sagts, i stället för att foga samman enskilda repliker.

En Turbo-modell för användningsfall med låg fördröjning

Röstmodeller av hög kvalitet har ofta varit långsammare på att generera tal, vilket har tvingat användare att välja mellan snabba eller uttrycksfulla röstagenter. Många har valt kompetenta men monotona agenter som kan uppfattas som robotlika av en stressad kund som bara vill lösa sitt problem. 

Eleven v4 Turbo kombinerar hastighet och känsla med en medianstid till första tal på cirka 150 ms³, vilket gör det möjligt att använda kraftfulla agenter i otaliga branscher – från varma, lugnande agenter som kan uttala medicinska termer korrekt inom vården till snabbt pratande agenter som använder slang för att underhålla spelare inom gaming.

Modellen Eleven v4 Turbo är byggd för att fungera med ElevenLabs plattform för konversationsagenter, ElevenAgents. Andra som bygger agenter sätter ihop modeller och programvara från olika leverantörer, vilket innebär att användare saknar möjlighet att förfina eller förbättra modellresultaten för sina specifika användningsfall. ElevenLabs forsknings- och ingenjörsteam har optimerat Eleven v4 Turbo och ElevenAgents tillsammans som ett system och levererar mer uttrycksfulla, tillförlitliga agenter med låg fördröjning.  

En röst, otaliga språk 

Hur vi kommunicerar varierar med sammanhang, plats och till och med tid på dygnet. Att skapa uttrycksfullt tal som speglar detta på olika språk är fortfarande en av de svåraste utmaningarna inom AI-ljud. 

Eleven v4 är ett stort steg framåt inom alla dessa områden, och förbättringarna handlar om mer än bara hur modellen uttalar fraser. Eleven v4 fångar bättre rytm, känsla och leverans på olika språk, vilket hjälper kreatörer att skapa tal som känns naturligt för språket och sammanhanget. Hur du skulle tala med en äldre främling i Japan skiljer sig till exempel mycket från hur du skulle tala med samma person i Italien. 

Både Eleven v4 och Eleven v4 Turbo stöder fler än 90 språk. Nu kan en röst som spelats in på ett språk också tala alla andra flytande, med en infödd talares accent samtidigt som originalets identitet bevaras. Accenten följs märkbart bättre än tidigare, så rösten glider inte längre tillbaka mot sin ursprungliga accent under genereringen.

För dubbning och lokalisering innebär det att rösten för det varumärke du har valt – oavsett om det är en känd skådespelare som du arbetar med eller ett tonläge som passar företagets stil bäst – kommer att låta bra på alla språk som stöds av Eleven v4.

Mer autentisk och konsekvent röstkloning

Röstkloning är mer autentisk, kraftfull och konsekvent i både Eleven v4 och Eleven v4 Turbo, med avsevärt bättre likhet med den ursprungliga källrösten. Instant Voice Clones kan nu fånga röster med hög återgivningstrohet från bara 10 sekunders ljud. 

Eleven v4 bevarar också talarens identitet mer tillförlitligt mellan genereringar, dialog, berättarröst och omgenererade repliker. Det innebär att karaktärer, berättare och klonade röster förblir konsekventa genom hela produktionen i längre projekt. Eleven v4 har också stöd för Professional Voice Clones (PVC), för användningsfall som kräver röstkloning med högsta möjliga återgivningstrohet.

Sammanfogning av förfrågningar – att kedja ihop genereringar för längre innehåll – är också betydligt mer tillförlitligt i Eleven v4, vilket förbättrar upplevelsen av att arbeta i ElevenLabs Studio och ElevenLabs Reader App.

Hör skillnaden själv  

Eleven v4 och Eleven v4 Turbo är kulmen på vår senaste forskning inom generering av uttrycksfullt tal. De är byggda för innehåll där leveransen är lika viktig som orden själva, oavsett om det handlar om ljudböcker, karaktärsframträdanden, voice-over, dubbning eller lokalisering av konversationsagenter.

Båda modellerna finns nu tillgängliga i ElevenAgents, ElevenCreative, och via ElevenAPI. Skapa ett kostnadsfritt konto för att börja generera med Eleven v4 eller Eleven v4 Turbo redan i dag.

1. ^{Artificial Analysis, Provider Voice Arena Leaderboard, september 2026}
2. ^{Baserat på blinda jämförande användartester mot Cartesia Sonic 3.6, Inworld TTS-2, Google Gemini 3.8 Flash-Lite TTS och Google Gemini 3.8 Flash TTS, september 2026. För varje par hörde bedömarna samma replik från Eleven v4 och en konkurrent, utan att veta vilken som var vilken, och bedömde vilken som var mer uttrycksfull och vilken som lät mer naturlig. Oavgjorda resultat räknades som en halv poäng.}
3. ^{Mediantid från förfrågan till hörbart tal. Mätt i september 2026 med identiska manus och standardinställningar mot Cartesia Sonic 3.6, xAI TTS, Google Gemini 3.8 Flash-Lite TTS och OpenAI GPT-4o mini TTS. Nätverksfördröjning mättes och räknades bort för alla system. Eleven v4 Turbo via WebSocket-streaming.}