Eleven v4؛ صدای مصنوعی که احساس داره
هوش مصنوعیClaude Opus 5خلاصهٔ کامل‌تر
ایلون‌لبز از Eleven v4 پرده برداشت، مدل تبدیل متن به گفتار (text-to-speech، یعنی مدلی که از متن نوشته‌شده صدا می‌سازه) که روی یه معماری کاملاً جدید سوار شده. به گفتهٔ شرکت، حرف اصلی مدل اینه که فقط متن رو نمی‌خونه؛ از خود متن می‌فهمه جمله باید با چه لحنی، چه سرعتی و چه حالی گفته بشه. یه «آروم باش» از زبون دکتر باید جور دیگه‌ای در بیاد تا فریاد یه سرباز وسط میدون.
تو این اعلام اومده که Eleven v4 در جدول Artificial Analysis رتبهٔ اول رو گرفته و تو تست‌های کور رو در رو حدود ۷۵ درصد شنونده‌ها اونو طبیعی‌تر و احساسی‌تر از رقبا دونستن. رقبای این تست هم مشخصن: Cartesia Sonic 3.6، Inworld TTS-2 و دو مدل TTS گوگل روی Gemini 3.8 Flash.
کنترل اجرا دست کاربره. می‌تونی با زبون معمولی توضیح بدی یه خط چطور گفته بشه، یا با تگ‌های داخل متن، مثل تگ خنده یا لهجه یا افکت صوتی، دقیقاً همون اجرا رو سفارش بدی. ایلون‌لبز می‌گه v4 این تگ‌ها رو خیلی دقیق‌تر از مدل‌های قبلی رعایت می‌کنه. نسخهٔ Turbo هم برای جایی ساخته شده که سرعت حرف اوله: میانهٔ تأخیرش حدود ۱۰۰ میلی‌ثانیه و میانهٔ زمان تا اولین صدا حدود ۱۵۰ میلی‌ثانیه‌ست، کوتاه‌تر از فاصلهٔ معمولی بین حرف زدن دو نفر.
هر دو مدل بیشتر از ۹۰ زبان رو پشتیبانی می‌کنن و یه صدای ضبط‌شده در یک زبون، حالا با لهجهٔ بومی زبون‌های دیگه حرف می‌زنه بدون اینکه هویت خودش رو از دست بده. کلون فوری صدا (voice cloning، یعنی ساختن نسخهٔ مصنوعی صدای یه نفر) با فقط ۱۰ ثانیه نمونه کار می‌کنه و Professional Voice Clone هم اضافه شده. هر دو مدل الان در ElevenAgents، ElevenCreative و ElevenAPI فعالن.
نکات کلیدی:
- Eleven v4 روی یه معماری کاملاً جدید ساخته شده و رتبهٔ اول جدول Artificial Analysis رو داره.
- میانهٔ تأخیر Eleven v4 Turbo حدود ۱۰۰ میلی‌ثانیه و زمان تا اولین صدا حدود ۱۵۰ میلی‌ثانیه‌ست.
- تو تست کور، حدود ۷۵ درصد شنونده‌ها v4 رو به Cartesia Sonic 3.6، Inworld TTS-2 و مدل‌های TTS گوگل ترجیح دادن.
- پشتیبانی از بیشتر از ۹۰ زبان، با لهجهٔ بومی و حفظ هویت صدای اصلی.
- کلون فوری صدا با ۱۰ ثانیه نمونه، به‌علاوهٔ پشتیبانی از Professional Voice Clone.
