ElevenLabs v4: самая эмоциональная озвучка ElevenLabs

Коротко. 28 сентября 2026 года ElevenLabs выпустила Eleven v4 — модель озвучки текста, которую компания называет самой эмоциональной в своей истории, — и быструю версию Eleven v4 Turbo для голосовых ассистентов. Через полчаса после анонса v4 заняла первое место в слепом рейтинге голосовых моделей Artificial Analysis. Разбираем, что умеет новинка и как озвучить текст нейросетью из России.

Что случилось

ElevenLabs — один из лидеров синтеза речи: её голоса слышно в аудиокнигах, роликах на YouTube и звонках роботов поддержки. Предыдущая версия, v3, умела управлять эмоциями через теги, но на длинных текстах голос мог «поплыть». В v4 компания перешла на новую архитектуру: модель читает не отдельные фразы, а весь контекст и по нему решает, где говорить напряжённо, где нежно, где с иронией.

Обе модели сразу доступны в продуктах ElevenLabs и через API, в том числе на бесплатном тарифе. Число языков выросло с 70 до 90 с лишним; отдельно компания отмечает прирост качества на японском, бразильском португальском, мандаринском и кантонском, сообщает TechCrunch. Русский поддерживали и прошлые версии.

Что умеет Eleven v4

• Аудиотеги. В текст можно вставлять пометки вроде [laughs], [whispers] или [door slams] — смех, шёпот, звук хлопнувшей двери. Теги можно ставить подряд, и модель выполнит их по очереди.
• Стабильный голос на длинных текстах. Режим склейки контекста держит один и тот же тембр и манеру на всей главе, а не только в пределах абзаца. За один запрос — до 10 000 символов.
• Несколько персонажей. В одном треке можно свести диалог разных голосов и добавить звуковые эффекты.
• Клон голоса по 10 секундам. Для копии голоса хватит короткой записи. Клонировать можно только свой голос или с подтверждённого согласия владельца.

Turbo-версия нацелена на живые разговоры: медианная задержка около 100 мс, первый звук — примерно через 150 мс. Модель умеет двунаправленный стриминг: получает текст, пока языковая модель его ещё пишет, и начинает говорить до конца предложения. Для сравнения, у OpenAI GPT-4o mini TTS тот же замер показывает 814 мс.

Что это меняет

Главное для обычного пользователя — синтезированная речь перестаёт звучать как диктор, который читает с листа. Для аудиокниг, озвучки роликов и подкастов это значит меньше ручной работы: не нужно резать текст на куски и подбирать интонацию к каждой реплике.

Конкуренция в озвучке сейчас плотная: незадолго до этого Google выпустил свою модель — подробности в статье «Gemini 3.8 Flash TTS: Google выпустил озвучку с 2000 голосов». Рейтинги меняются быстро, поэтому выбирать стоит на слух, на своём тексте.

Как попробовать ElevenLabs из России

Напрямую — с оговорками. Бесплатный тариф ElevenLabs даёт ограниченный месячный лимит, но российские карты сервис не принимает, а платные тарифы начинаются от 6 долларов в месяц. Доступ из России официально не поддерживается.

Честно про Умку: Eleven v4 в каталоге пока нет. Зато есть ElevenLabs Multilingual v2 — предыдущее поколение озвучки, которое хорошо читает по-русски и само расставляет ударения, а ещё ElevenLabs Music для песен и генератор звуковых эффектов. Всё это работает без VPN, с русским интерфейсом, а озвучка списывается посимвольно — платите за длину текста, а не за подписку. Как подготовить текст к озвучке, мы разбирали в гайде «ИИ-озвучка: как озвучить текст нейросетью», а как изменить голос на готовой записи — в статье «Изменить голос онлайн нейросетью».

Баланс пополняется в рублях: 290 ₽ за 725 токенов, 690 ₽ за 1 811, 1 490 ₽ за 4 172 и 3 900 ₽ за 11 700. Точная цена озвучки видна в приложении до запуска.

Вывод

Eleven v4 — заметный шаг для синтеза речи: эмоции по контексту, аудиотеги и быстрый клон голоса. Для голосовых ассистентов важнее Turbo с задержкой около 100 мс. Пока v4 нет в Умке, озвучить текст по-русски можно на Multilingual v2 — без VPN и зарубежной карты.

Частые вопросы