ElevenLabs Eleven v4 发布

与 Eleven v3 依赖在文本中插入显式音频标签来控制情感不同，Eleven v4 建立在一种全新的架构之上，能够直接从文字本身推断语调、节奏、情感、角色和上下文，生成可在戏剧性、喜剧性和日常对话之间自由切换的语音，同时保持说话人身份一致^[1]。ElevenLabs 表示，在盲测对比测试中，约75%的听众更偏好v4而非竞品模型，但该数据来自公司博客而非独立评审团^[1]。该公司还宣称仅需10秒音频即可实现即时语音克隆，但其v4文档却说明克隆通常需要一到两分钟的样本音频，这一差距被外部分析指出是理想化营销宣传而非典型使用体验^[2]。

独立基准测试机构 Artificial Analysis 将 Eleven v4 列为其 Provider Voice TTS Arena 排行榜首位，在超过1,600次两两对比中获得1,319的Elo评分，领先于 Cartesia 的 Sonic 3.6（1,276）和 Google 的 Gemini 3.8 Flash TTS（1,267）^[3]。在同一套基准测试中，Eleven v4 在发音稳健性方面也创下91.7%的新高，略高于 Gemini 3.8 Flash TTS 的89.5%^[3]。不过表现并非全面领先：在独立的“受控语音”类别中，Eleven v4 的Elo得分为1,157，位居第二，落后于阿里巴巴的 Qwen-Audio-3.1-TTS-Plus。Runtime Wire 提醒，榜首位置仅表明在特定比较中处于领先地位，并非语音质量的普适衡量标准，因为该排行榜测试的是原生语音在盲选成对条件下的表现，可能无法匹配所有现实中的听觉偏好^[2]。

此次发布距离 ElevenLabs 在2026年2月由红杉资本领投完成5亿美元融资仅七个月，使其估值增长三倍以上，达到110亿美元^[4]。联合创始人 Mati Staniszewski 将该轮融资定位为支持 Eleven v4 所依托的两大产品线，表示公司将通过帮助创作者将顶级音频与视频及代理功能结合，扩展其创作产品线^[4]。商业背景是：ElevenLabs 在2025年底的年化经常性收入为3.3亿美元，到v4发布时已增长至超过6亿美元，其中55%的收入来自大型企业客户^[5]。一款能重新夺回排行榜首位的模型，也是向市场证明其估值合理性的重要数据点。

Eleven v4 Turbo 是专为低延迟优化的版本，中位推理延迟约为100毫秒，中位首字输出时间约为150毫秒，在首字输出时间上比 Cartesia 的 Sonic 3.6 快112毫秒，比 OpenAI 的 GPT-4o mini TTS 快664毫秒^[6]。ElevenLabs 明确指出其速度的应用场景：用于 ElevenAgents 客户支持部署，处理争执、升级和等待等情况，即在实时电话对话中，半秒的静默就会打破沉浸感^[5]。这种定位具有双重影响。更快、更自然的实时语音代理意味着AI可以合理接管此前需要真人参与的更多客户服务对话，而同样的低延迟、高表现力管道也同样可用于不那么良性的实时语音生成。

早期用户的反应总体热烈，独立测试者强调其对角色表现和环境音效的精细控制，以及听起来在多种语言中都像母语者而非明显配音的多语言片段。但质疑集中在一些可验证的具体声明上。在语音克隆方面，ElevenLabs 宣传的10秒音频与自身文档中建议的一到两分钟样本之间的差距，是最明显的营销宣传超越产品规格的案例^[2]。社区测试者还报告称，一些带口音的语音在v4中的发音比v3更“美国化”，这可能是口音保真度的倒退，尽管整体基准测试分数有所提升。此外，人们也普遍怀疑该公司声称的语音一致性是否真能在无限长度的文本中持续保持。这些因素均未体现在排行榜数据中，因为排行榜衡量的是盲选成对偏好，而非长期一致性或口音保留能力。