ElevenLabs-ի նոր մոդելը՝ Eleven v4, արհեստական ձայներն ավելի արտահայտիչ է դարձնում

ElevenLabs-ը ներկայացրել է խոսքի նոր մոդել՝ Eleven v4։ Ընկերության հայտարարության համաձայն՝ այն ավելի ճշգրիտ է կատարում ռեժիսորական հուշումները և երկար նախագծի ընթացքում ձայնը պահում է նույնը։ Իրական ժամանակում աշխատող ձայնային գործակալների համար նախատեսված Eleven v4 Turbo-ն խոսքի հնչեցումը սկսում է մոտավորապես 150 միլիվայրկյանում։

Ավելի շատ հետևողականություն

Eleven v3-ը թողարկվել է մոտ մեկ տարի առաջ. ծիծաղի, շշուկի և դռան ձայնի նման էֆեկտներն այն ժամանակ էլ էին աշխատում, սակայն հուշումները կատարում էր ավելի քիչ ճշգրտությամբ։ Ընկերության խոսքով՝ v4-ն օգտագործում է նոր ճարտարապետություն, որը վերլուծում է սցենարի տոնը, տեմպը և համատեքստը։ Հրահանգները կարելի է տալ թեգերով կամ սովորական նախադասությամբ, իսկ անունների և տեխնիկական տերմինների արտասանությունը կարգավորվում է հնչյունաբանական գրառմամբ։ Արտասանության վերահսկողությունն այժմ ավելի հուսալի է աշխատում, իսկ պատմողի և կերպարի ձայնը ամբողջ նախագծի ընթացքում նույնն է հնչում նույնիսկ այն դեպքում, երբ առանձին արտահայտությունը մի քանի անգամ նորից հնչեցվում է։

Մեկ հարցման համար մոդելը ընդունում է 10 000 սիմվոլ, ինչը մոտավորապես 10 րոպե աուդիո է, իսկ ավելի երկար աշխատանքները բաժանվում են մի քանի հատվածների։ Աջակցվող լեզուների թիվը գերազանցում է 90-ը, մինչդեռ v3-ն ուներ մոտավորապես 70 լեզու։ Կլոնավորված ձայները այլ լեզուներով խոսում են մայրենի առոգանությամբ, իսկ Professional Voice Clone-ը, որը չէր աշխատում v3-ում, v4-ում կրկին հասանելի է։ Instant Voice Clone-ին անհրաժեշտ է 10 վայրկյան աուդիո։

Turbo՝ իրական ժամանակի գործակալների համար

ElevenLabs-ը նաև թողարկում է v4-ի ավելի արագ տարբերակը սպասարկման զանգերի և խաղային կերպարների համար։ Ընկերության խոսքով՝ մշակողները մինչ այժմ ստիպված էին ընտրել արագության և արտահայտչականության միջև, իսկ Turbo-ն առաջարկում է երկուսն էլ։ Ընկերության թեստերում առաջին լսելի ձայնը հնչում է 150 միլիվայրկյանում, Cartesia Sonic 3.6-ին անհրաժեշտ է 262 միլիվայրկյան, իսկ OpenAI GPT-4o mini TTS-ին՝ 814 միլիվայրկյան։ Turbo-ն առանձին օպտիմիզացվել է ElevenAgents հարթակի համար։

Թեստեր և գներ

Artificial Analysis-ի Provider Voice Arena վարկանիշում Eleven v4-ը առաջ է անցնում Cartesia Sonic 3.6-ից և Google Gemini 3.8 Flash TTS-ից։ Արտասանության թեստում մոդելը ստացել է 91,7%, v3-ի 85,6%-ի դիմաց։ Ընկերության կույր թեստերում լսողների մոտավորապես երեք քառորդը v4-ը գնահատել է ավելի արտահայտիչ. առավելությունը Cartesia Sonic 3.6-ի և Inworld TTS-2-ի նկատմամբ՝ 81%, Gemini 3.8 Flash-Lite TTS-ի նկատմամբ՝ 72%, Gemini 3.8 Flash TTS-ի նկատմամբ՝ 65%։

API-ի ստանդարտ գինը v4-ի համար միլիոն սիմվոլի դիմաց 80 դոլար է, Turbo-ի համար՝ 40 դոլար, իսկ մինչև 12 հոկտեմբերը՝ 22 և 11 դոլար։ Creator պլանից օգտվողները կարող են երկու շաբաթվա ընթացքում v4-ը ElevenCreative-ում օգտագործել առանց հավելյալ վճարի։ Երկու մոդելներն էլ հասանելի են ElevenAgents-ում, ElevenCreative-ում և API-ի միջոցով։