ElevenLabs 发布了两款新语音模型：Eleven v4 和 Eleven v4 Turbo。Eleven v4 面向有声书、角色配音、动画、广告和播客等成品内容，重点提升声音的情绪、节奏、角色表演和长篇一致性；v4 Turbo 面向客服电话和语音代理，在保留这些表现力的同时，把首次出声压到适合实时对话的水平。

现在的 AI 语音，大多已经不难听了。真正还会让人出戏的，是另一件事：它知道每个字怎么念，却不知道这句话为什么要这样说。

角色明明刚受了惊吓，声音还是四平八稳；客服刚查到好消息，语气和让用户继续等待时没有区别；一段对白重做第三句，人物忽然像换了演员。Eleven v4 瞄准的就是这个缺口：把文字转语音从“正确朗读”再往前推一步，变成“按剧情表演”。v4 Turbo 则要让同样的表现力及时进入实时电话和语音代理。

Eleven v4 的主要功能特点

• 脚本可以直接控制表演。 在台词中写入情绪、停顿、笑声、耳语、动作和环境音效，也可以用自然语言说明一句话应该怎样说。
• 声音克隆兼顾相似度和表现力。 Instant Voice Clone 可用大约 10 秒录音创建声音，Professional Voice Clone 重新支持 v4 的完整情绪范围。
• 长篇和重生成更连贯。 context stitching 负责衔接不同生成片段的节奏与状态，speaker stability 尽量让角色在旁白、对话和返工片段里保持同一声线。
• 支持多人对话和发音控制。 同一脚本可安排多个说话者、接话关系和音效，并通过 IPA 与发音词典固定姓名、缩写和专业词的读法。
• 覆盖 90 多种语言。 官方点名支持粤语、蒙古语和奥里亚语，演示还展示了加泰罗尼亚语旁白与音效标签。
• Turbo 为实时对话降低等待。 官方给出的中位模型推理时间约为 100ms，中位首次出声约为 150ms，并支持双向流式生成。

脚本里的表演控制：情绪、停顿、动作和音效

过去写 TTS 脚本，核心内容通常只有台词。想让声音更紧张、更温柔或停顿得更自然，要么调整模型参数，要么生成很多遍再挑选。v4 把一部分导演工作直接搬进了文本：你可以在台词里写 [whispers]、[laughs]、[long pause]、[door slams]，也可以用一句自然语言说明“这一句要像刚发现真相那样说”。

这些标签可以连续出现，共同组成一场戏。官网的答题节目例子里，主持人先以温暖语气铺垫，再逐渐制造紧张感，锣声响起后留出五秒；选手用英式口音低声猜答案，带着不确定和紧张的笑；答对以后，主持人、掌声和调侃自然接上。脚本写的不再只有“说什么”，还包括谁在说、刚刚发生了什么，以及这句话应该怎样落地。

主题帖下面那段恐怖独白更能说明问题。画面中的脚本直接写着 [exhaling]、[chuckling]、[smacking lips]。同一个声音先贴着耳边威胁，数着对方睡觉时的呼吸，随后又转成思念母亲的哽咽和亲昵。这里的难点不是把“笑声”插进去，而是情绪要随着角色关系改变，不能像把几个音效按钮依次按下。

有一个实际迁移点值得注意：v4 里控制停顿主要靠自然语言音频标签，例如 [pause] 和 [long pause]。官网 FAQ 明确说，<break> 这类 SSML 标签在 v4 中不可用。已有大量 SSML 脚本的团队不能只换一个模型 ID 就结束，还要改写停顿和表演指令。

声音克隆：保持声线，同时允许情绪变化

声音克隆一直有一组互相拉扯的目标：既要像本人，又要有足够的情绪；既要能夸张表演，又不能一激动就丢掉原来的声线。

ElevenLabs 在官方演示里把旧模型的差别说得很直接：v2 比较像本人，也稳定；v3 的表现力明显更强，还能用音频标签和高级提示，但演示者认为听起来“不太像我”；v4 的目标就是把两者合并，让声音在一句话中途改变情绪时，仍然保持同一个人的身份。

v4 的即时声音克隆只要求大约 10 秒音频；Professional Voice Clone 在 v3 缺席后也重新支持，并能使用 v4 的完整情绪范围。不过，官网同时藏着一个容易被忽略的条件：在 v4 发布前创建的 IVC 或 PVC，如果要在 v4 中有效工作，需要重新训练。对已经积累大量品牌声音资产的团队，这不是完全无摩擦的替换。

这段对比展示的是 v4 的产品目标：让克隆声音在笑、耳语、喘气和句中情绪变化时，仍然听起来像同一个人。实际使用时，10 秒录音的质量、噪声和说话状态都会影响最终效果，仍应使用自己的样本测试。

长篇连续性：跨片段保持节奏和角色身份

长篇音频通常不是一次生成完。一本有声书会分章、分段生成，某句读错了还要单独重做。问题在于，每次生成都是一次新的开始：速度、音高和情绪可能逐渐漂移，重做的那一句甚至会像另一位演员突然接班。

v4 用两项能力应对这个问题。第一是 context stitching，也就是把前后文的节奏和表演状态接起来，让分段生成听上去像同一次录音。第二是 speaker stability，让对话、旁白和重生成的台词尽量维持同一说话者身份。官网把它描述成可以覆盖任意长度的脚本，主题帖则用了“无限文本生成”的说法。

实际使用时，单次生成仍有 10,000 字符上限。“任意长度”不是一口气塞进无限文本，而是不断分段，再依靠上下文拼接维持连续性。对有声书和长篇旁白来说，最关键的工作流变化，是分段生成和单句返工不再需要完全从头重建角色状态。

v4 与 v4 Turbo：成品内容和实时对话

如果一句广告旁白可以多等几秒再挑最好的一版，质量和表演优先；如果电话另一端的人说完以后，AI 还沉默一秒，体验就已经坏了。v4 与 Turbo 的差别，本质上是把计算预算花在不同地方。

这两个延迟数字不能混成一个。约 100ms 指模型本身开始生成音频所花的中位推理时间；约 150ms 指请求发出后到第一段声音出现的中位时间。真正一通 AI 电话还要经过语音识别、LLM 思考、网络往返和播放器缓冲，端到端等待一定比单个 TTS 模型的数字更长。

Turbo 的关键配套是双向流式：上游 LLM 不必等整句写完，可以边生成文字边推给 TTS，音频也边生成边返回。这样省下的不是“整段音频多久做完”，而是用户什么时候听见第一个字。主题帖的最小 JavaScript 示例把 modelId 写成 eleven_v4_turbo；但那张图展示的是普通 textToSpeech.convert() 调用，并没有把双向流式接口完整展开。

官方主视频把 Turbo 放进了一通药品授权电话。代理要正确处理医生姓名和 semaglutide 这类专业词，确认处方批准后，又应请求切到普通话向母亲解释药品信息。这个场景把发音、角色稳定、对话节奏和语言切换放在同一通电话里，比单纯念一段旁白更接近语音代理的实际工作方式。

多人对话、IPA 和发音词典

v4 支持在同一脚本里放多个说话者和音效。棒球解说演示里，两位主播在比赛间隙互相打趣：一人揭出另一人曾给 Backstreet Boys 编舞，另一人顺势自嘲年龄和“有 rizz”；下一秒比赛恢复，两人又切回高能量的本垒打解说，背景补上观众欢呼。

多人脚本不只是轮流切换声音。每个人还要保住自己的身份，同时共享当前情境，知道上一位说了什么、笑点落在哪里、比赛何时又开始。它直接对应官网那句“知道谁在说、刚刚发生了什么、每句应该怎样落地”。

发音控制则通过 IPA 和发音词典处理。名字、缩写和技术词可以预先规定读法，之后每次生成沿用。主题帖中的棒球视频展示的是多人互动；IPA 支持来自同一主题帖和官网的功能说明。

90 多种语言：同一套表演控制可用于非英语脚本

两款模型都宣称支持 90 多种语言，主题帖特别点名粤语、蒙古语和奥里亚语。配套短片用加泰罗尼亚语念了一段旁白，画面还加入了 [música de transició]，说明非英语输入也能同时带表演与音效指令。

对中文、粤语或小语种有生产要求的团队，语言数量只是第一层。真正决定能否上线的仍是自己的口音、韵律、术语读法和克隆相似度，因此最好用真实声音和生产脚本做盲听。

Artificial Analysis 榜单：当前排名第一

首帖写着 Eleven v4 在 Artificial Analysis 排名第一。实时读取 Provider Voice Arena 榜单时，它确实排在第一，Elo 为 1315，95% 置信区间为 ±18，累计 1,693 个比较样本、使用 8 个声音；紧随其后的 Cartesia Sonic 3.6 为 1275，Gemini 3.8 Flash TTS 为 1267。

这个榜单不是厂商自己打分。听众会在看不到模型身份的情况下，试听两段用相同文本生成的声音，再选择哪一段更自然，Elo 根据这些成对偏好投票更新。因此，它能支持一个具体结论：在这个 Provider Voice Arena 的当前盲听样本里，Eleven v4 的人类偏好排名第一。

这个排名衡量的是盲听中的整体自然度偏好，不直接测克隆相似度、中文脚本、长篇漂移、真实电话网络和成本。Elo 也会随着新投票变化——发布当日的公开快照曾是 1319，本次读取已经变成 1315。它说明 v4 值得优先测试，但具体生产场景仍要单独验收。

上线前需要核对的五件事

第一，旧脚本不一定原样兼容。SSML 的 <break> 要换成 v4 的自然语言停顿标签；旧 IVC/PVC 也可能需要重新训练。

第二，长篇不是无限单次输入。每次最多 10,000 字符，超长内容仍要分段，context stitching 负责尽量接住前后状态。最该测试的不是第一段听起来多惊艳，而是第十章以后是否还像同一个人，以及重做一句能否无缝插回去。

第三，实时指标要按整条链路验收。Turbo 的约 100ms 和 150ms 都是 TTS 层口径。你的语音代理还要算上听清用户、理解问题、调用工具和播放缓冲。客服场景尤其要测试打断、长号码、姓名、药名、噪声和跨语言切换。

第四，价格要看时限。发布后的两周推广期里，ElevenLabs 给出的 API 折扣价是 v4 每百万字符 22 美元、Turbo 11 美元；Creator+ 用户在 ElevenCreative 内可免费使用 v4，额度上限为每月 credits 的两倍。这是限时发布优惠，不是可以长期写进成本模型的固定价格。官网常规页面同时显示免费档每月 10,000 credits，并称大约可生成 10 分钟音频。

第五，克隆声音不是只有效果问题，还有授权和数据留存。ElevenLabs 称即时与专业克隆都要求声音所有者通过验证；脚本和音频标签未经用户同意不会用于训练。符合资格的企业服务可以启用 Zero Retention Mode，但前提是具体服务支持并且已正确开启，不能把“企业账户”直接等同于所有数据都不保留。

Eleven v4 把一部分配音导演工作写进了脚本

Eleven v4 最值得关注的，不是又多了一款听起来很真的 TTS，而是它试图把原来散落在配音演员、导演、音效和后期里的部分意图，压缩回一份可以直接写的脚本：人物是谁、刚发生了什么、这句要压低还是爆发、哪里停、何时笑、背景发生什么。

v4 负责把这些指令演成可交付的内容；Turbo 负责在对话还没凉掉以前把它说出来。两者都已经进入 ElevenCreative、ElevenAgents 和 ElevenAPI，覆盖从角色表演到实时代理的两端。

官方演示已经展示了情绪、多人、音效、克隆和语言切换可以出现在同一套生成流程里；Artificial Analysis 的盲听榜单则说明 v4 的整体自然度获得了很强的人类偏好。

接下来最有价值的测试，是把自己的难片段直接交给它：同一角色跨章节、句中情绪翻转、两人接话、中文专有名词、重做一句再拼回去。v4 的价值不只在第一耳有多惊艳，更在反复修改以后，人物还能不能保持原来的声音和表演状态。