ElevenLabs 发布 Eleven v4 语音模型

背景

语音合成（text-to-speech，TTS）把书面文字转成可听的语音。很长一段时间里，这类系统的首要目标是「听得清」：每个字发音正确、顺序无误。当这一点变得可靠之后，关注点转向了韵律——也就是节奏、重音和语调，它们承载着字面之外的意思。同一句话，可以是玩笑、警告，也可以是安慰，区别全在怎么说；一个把所有句子都用同一平直语调读出来的系统，会丢掉这一层信息。另一个独立的考量是延迟：系统从拿到文本到输出声音要花多久。对有声书这类预先录制的用途，晚一两秒几乎无所谓；对一个要实时应答的语音助手，这就是关键指标。

发布内容

2026 年 9 月 28 日，ElevenLabs 发布 Eleven v4，并将其描述为迄今最具情感表现力的语音合成模型^[1]。低延迟版本 Eleven v4 Turbo 同时推出^[1]。这种「一个质量优先、一个速度优先」的双版本做法在语音系统里很常见：完整模型追求效果，配套的快速版本面向响应时间是硬约束的场景，例如交互式助手或实时对话界面。

关键细节

按照公司的说法，该模型在设计上要理解语气、节奏、情感、角色和上下文^[1]。这份清单指向一个变化：系统被要求做的事情不一样了。语气和节奏关乎「怎么念」，角色关乎「谁在说」，上下文关乎「在什么场合说」。发布说明提出，同一行文字，因说话人和听话人不同，听起来就应当不同^[1]——同样一句话，大人对孩子说，和同事之间说，不该是同一个声音效果。

ElevenLabs 还表示，该模型在 Artificial Analysis 的评比中排名第一^[1]。这是一家发布 AI 模型对比结果的基准评测机构。这类排名通常汇总自动化评测的结果，能衡量的也只是测试本身所测的东西。

公司进一步称，在盲测的一对一比较中，约 75% 的听众更偏好 Eleven v4 而非竞争模型^[1]。盲测的做法是让听众听样本，但不告知哪段出自哪个系统，再由他们选出更喜欢的一个；约四分之三意味着在该模型参与的成对比较里，它赢下了接近四分之三。这类主观测试能捕捉到自动指标捕捉不到的东西，因为可懂度分数说不出一个声音是温暖、厌倦还是带讽刺。但结果也受样本如何挑选、纳入哪些系统影响，而由公司自己公布的比较，描述的是一场由它委托或执行的测试。

影响

语音的用途远不止把文字读出来。它为有声书配音、把视频译制成其他语言、给助手和屏幕阅读器提供声音，也越来越多地充当对话式 AI 系统的输出层。在多数这类场景里，自然与否不是装饰：重音放错的语音，会让一个正确的回答听起来犹豫，也会让一句友好的话听起来生硬。对表现力的投入，针对的正是这个落差。

延迟是另一半问题，也是 Turbo 版本同时推出的原因。一个音质出色但迟迟不开口的模型，很难用在对话里——对话中的停顿本身就有意义。两个版本一起公布，等于说明这项技术既面向录制场景，也面向实时场景。

更广的意义在于精力投向何处。早几代的语音合成比拼的主要是「像不像人声」；Eleven v4 被呈现为在「理解」上竞争——像人一样去读一句话，把说话人和听众都考虑进去。至于这些偏好数据能否在独立测试中站得住，只有后续的评测才能回答；公司自己的说法，应当被当作说法来看待。