ElevenLabs 发 Eleven v4：全新架构把情绪写进语音，Turbo 首字延迟 150ms 登榜第一
ElevenLabs 在 9 月 28 日发布 Eleven v4 与低延迟版 Eleven v4 Turbo，两者都换成了全新架构，官方称 v4 是其「最有表现力的语音模型」。核心变化是模型开始按语境决定怎么说：同一句「我需要你冷静」，由医生温和地对病人说、或由游戏角色跳伞前对队友吼出来，模型会给出不同的语气、节奏与角色感，而不是只把文字念出来。
官方引用 Artificial Analysis 九月「Provider Voice Arena」榜单称 Eleven v4 排名第一；在对照 Cartesia Sonic 3.6、Inworld TTS-2 与 Google Gemini 3.8 Flash/Flash-Lite TTS 的盲测里，约 75% 的听者更偏好 v4。v4 Turbo 的首字延迟中位数约 150ms，官方称这比两个人对话之间的平均停顿还短；多说话人场景下模型按整场对话的语境生成回应，而不是逐句拼接。
可控性上，v4 支持内联音频标签（如 [laughs]、[said angrily in French accent]、[light rain]）与自然语言演绎指令，IPA 音素支持也做了明显改进，官方称新方法能更稳定地保留说话人的音色身份。两个模型现已在 ElevenAgents、ElevenCreative 与 ElevenAPI 上线，官方未提开放权重，仍走 API 分发。
原文链接：ElevenLabs 官方博客
核验记录
官方页 JSON-LD datePublished 2026-09-28T12:00:00Z、页内可见「Published Sep 28, 2026」，直读 200 / 542,935 字节；「榜单第一」「约 75% 偏好」「首字延迟 150ms」三条数字均来自该页脚注，为厂商引用 Artificial Analysis 九月 Provider Voice Arena 榜单与自研盲测（对照 Cartesia Sonic 3.6、Inworld TTS-2、Gemini 3.8 Flash/Flash-Lite TTS），未见第三方独立复现；配图 3,840×2,160 webp / 235,964 字节，裸请求与带站内 Referer 双 200
← 上一篇CASP 报告：20 余位研究者称 AI 研发自动化可能触发「智能爆炸」下一篇 →Instinct 一个月估值翻四倍：C 轮融 10 亿美元、估值 100 亿，消费级智能体被按「短信线程」定价