Eleven v4 прави AI гласовете по-изразителни и последователни
ElevenLabs представи Eleven v4 — модел за синтез на реч, който следва по-точно указания за емоции, паузи и звукови ефекти. Той пресъздава по-надеждно смях, шепот и звуци като затръшване на врата. Новата архитектура анализира тона, темпото и контекста на сценария, а потребителите могат да дават инструкции чрез тагове или обикновени изречения и да използват фонетичен правопис за имена и технически термини.
Моделът поддържа над 90 езика и обработва до 10 000 знака на заявка — приблизително десет минути аудио. Според ElevenLabs гласовете запазват звученето си при повторно генериране на отделни реплики и при свързване на сегменти в дълги проекти като аудиокниги. Professional Voice Clones отново се поддържат, а за Instant Voice Clone са нужни само 10 секунди запис.
Компанията пусна и Eleven v4 Turbo за агенти в реално време, включително при обслужване на клиенти и игрови персонажи. ElevenLabs посочва, че вариантът започва да генерира чуваема реч за около 150 милисекунди. Цените са $80 за милион знака при v4 и $40 при Turbo, временно намалени съответно до $22 и $11 до 12 октомври.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на The Decoder. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.