ElevenLabs-ın yeni modeli Eleven v4 süni səsləri daha ifadəli edir

ElevenLabs nitq üçün yeni model olan Eleven v4-ü təqdim edib. Şirkətin açıqlamasına görə, o, rejissor göstərişlərini daha dəqiq yerinə yetirir və uzun layihə boyu səsi eyni saxlayır. Real vaxtda işləyən səs agentləri üçün nəzərdə tutulan Eleven v4 Turbo danışığı təxminən 150 millisaniyəyə səsləndirməyə başlayır.

Daha çox ardıcıllıq

Eleven v3 təxminən bir il əvvəl buraxılmışdı; gülüş, pıçıltı və qapı səsi kimi effektlər o zaman da işləyirdi, lakin göstərişləri daha az dəqiqliklə yerinə yetirirdi. Şirkətin sözlərinə görə, v4 ssenarinin tonunu, tempini və kontekstini təhlil edən yeni arxitekturadan istifadə edir. Təlimatları teqlərlə və ya adi cümlə ilə vermək olar, adların və texniki terminlərin tələffüzü isə fonetik yazı ilə tənzimlənir. Tələffüz nəzarəti artıq daha etibarlı işləyir, povestçinin və personajın səsi isə bütün layihə boyu eyni səslənir, hətta ayrıca ifadə bir neçə dəfə yenidən səsləndirildikdə belə.

Bir sorğu üçün model 10 000 simvol qəbul edir ki, bu da təxminən 10 dəqiqə audio deməkdir; daha uzun işlər isə bir neçə seqmentə bölünür. Dəstəklənən dillərin sayı 90-ı ötür, v3-də isə təxminən 70 dil var idi. Klonlaşdırılmış səslər başqa dillərdə ana dili aksenti ilə danışır, v3-də işləməyən Professional Voice Clone isə v4-də yenidən əlçatandır. Instant Voice Clone üçün 10 saniyə audio tələb olunur.

Real vaxt agentləri üçün Turbo

ElevenLabs həmçinin xidmət zəngləri və oyun personajları üçün v4-ün daha sürətli variantını buraxır. Şirkətin sözlərinə görə, indiyədək tərtibatçılar sürət ilə ifadəlilik arasında seçim etməli olurdular, Turbo isə hər ikisini təklif edir. Şirkətin testlərində ilk eşidilən səs 150 millisaniyəyə səslənir, Cartesia Sonic 3.6 üçün 262 millisaniyə, OpenAI GPT-4o mini TTS üçün isə 814 millisaniyə tələb olunur. Turbo ElevenAgents platforması üçün ayrıca optimallaşdırılıb.

Testlər və qiymətlər

Artificial Analysis-in Provider Voice Arena reytinqində Eleven v4 Cartesia Sonic 3.6 və Google Gemini 3.8 Flash TTS-dən irəlidədir. Tələffüz testində model 91,7% alıb, v3-ün 85,6%-nə qarşı. Şirkətin kor testlərində dinləyicilərin təxminən dörddə üçü v4-ü daha ifadəli qiymətləndirib: Cartesia Sonic 3.6 və Inworld TTS-2 qarşısında üstünlük 81%, Gemini 3.8 Flash-Lite TTS qarşısında 72%, Gemini 3.8 Flash TTS qarşısında 65%.

API-nin standart qiyməti v4 üçün milyon simvola 80 dollar, Turbo üçün 40 dollar, 12 oktyabra qədər isə 22 və 11 dollardır. Creator planı istifadəçiləri iki həftə ərzində v4-ü ElevenCreative-də əlavə ödəniş olmadan istifadə edə bilərlər. Hər iki model ElevenAgents, ElevenCreative və API vasitəsilə əlçatandır.