La compañía presenta dos modelos de generación de voz con objetivos diferentes: Eleven v4 prioriza la expresividad y la continuidad en proyectos largos, mientras que v4 Turbo busca reducir las esperas en conversaciones con agentes de inteligencia artificial. Ambos llegan a sus herramientas y a su API.
ElevenLabs ha presentado Eleven v4 y Eleven v4 Turbo, una nueva generación de modelos de voz que busca resolver dos necesidades distintas. La primera es producir narraciones con una interpretación más expresiva y consistente. La segunda, conseguir que un agente de inteligencia artificial empiece a hablar casi inmediatamente después de recibir una respuesta.
El lanzamiento, anunciado el 28 de septiembre de 2026, amplía las opciones de una plataforma utilizada para crear locuciones, voces sintéticas y asistentes conversacionales. Los dos modelos comparten capacidades de generación de voz, pero están orientados a situaciones diferentes.
Eleven v4 está diseñado para contenidos en los que importan la interpretación, el ritmo y la continuidad entre fragmentos. Eleven v4 Turbo, por su parte, incorpora transmisión bidireccional para producir audio mientras recibe el texto que genera otro sistema.
Según las cifras difundidas por ElevenLabs, Turbo alcanza una latencia mediana de inferencia de unos 100 milisegundos y un tiempo mediano hasta el inicio de la voz de 150 milisegundos. Son mediciones comunicadas por el fabricante, no una garantía de que todas las conversaciones completas se resuelvan en ese plazo.
Eleven v4 busca interpretar un guion, no solo leerlo
La principal novedad de Eleven v4 es su mayor atención al contexto de la narración.
La compañía explica que el modelo utiliza una nueva arquitectura capaz de interpretar quién está hablando, qué ha sucedido anteriormente y cómo debe expresarse cada intervención.
La finalidad es evitar que una voz sintética trate cada frase como un fragmento independiente.
En un audiolibro, por ejemplo, un personaje puede pasar de una conversación tranquila a una escena de tensión. Para conservar la continuidad, el modelo debe tener en cuenta el ritmo anterior y adaptar la interpretación a la nueva situación.
ElevenLabs afirma que v4 mejora ese tipo de transiciones y amplía las posibilidades expresivas respecto a generaciones anteriores.
Una voz más expresiva no significa necesariamente una voz perfecta en todos los idiomas, textos o estilos. El resultado dependerá también del guion, de la voz elegida y de los ajustes utilizados.
Más de 90 idiomas y varios hablantes en una misma generación
Eleven v4 admite más de 90 idiomas, según la información del lanzamiento.
También puede trabajar con varios hablantes e incorporar efectos sonoros dentro del guion. Esto permite preparar escenas en las que intervienen diferentes personajes sin limitar el contenido a una única narración continua.
Los creadores pueden incluir indicaciones de interpretación directamente en el texto. ElevenLabs menciona etiquetas como las que señalan risas, susurros o el sonido de una puerta al cerrarse.
La compañía sostiene que v4 sigue las secuencias de estas instrucciones con mayor fiabilidad que Eleven v3.
Esta capacidad puede resultar útil para producir ficción sonora, doblaje experimental, contenidos educativos o materiales promocionales.
No obstante, admitir más de 90 idiomas no demuestra que la calidad sea idéntica en todos ellos. La información facilitada no incluye una evaluación independiente y desglosada del rendimiento por lengua.
Las instrucciones de voz sustituyen a determinadas pausas técnicas
El control de la interpretación también cambia.
Según ElevenLabs, las etiquetas de pausa SSML break no están habilitadas en v4. En su lugar, el modelo utiliza instrucciones de audio expresadas mediante etiquetas de lenguaje natural para orientar las pausas y la forma de hablar.
SSML es un lenguaje de marcado utilizado en sistemas de síntesis de voz para controlar determinados aspectos de la lectura.
La modificación puede tener consecuencias prácticas para los desarrolladores que ya dispongan de guiones preparados para versiones anteriores.
Un proyecto que dependa de etiquetas SSML específicas puede necesitar adaptaciones antes de utilizar v4.
Por tanto, aunque el nuevo modelo promete más expresividad, no debe darse por hecho que todos los guiones existentes funcionarán sin modificaciones.
La continuidad de contexto cobra importancia en audiolibros y proyectos largos
Una dificultad frecuente en la generación de voz aparece cuando un contenido extenso debe producirse por partes.
Si cada fragmento se genera de manera aislada, pueden surgir diferencias de ritmo, tono o interpretación. Una frase repetida o corregida podría sonar distinta del resto de la escena.
ElevenLabs ha incorporado una función denominada context stitching, diseñada para mantener la coherencia entre fragmentos.
La compañía también destaca una mayor estabilidad del hablante cuando se regenera una línea.
Cada generación admite hasta 10 000 caracteres, según las especificaciones anunciadas. Esto no significa que un libro completo deba producirse en una sola operación, sino que el modelo permite trabajar con segmentos relativamente amplios.
Para editoriales, productoras de audio y creadores de narraciones extensas, la continuidad entre fragmentos puede resultar tan importante como la naturalidad de una frase aislada.
Regresan los clones de voz profesionales
Otra novedad de Eleven v4 es la recuperación de los Professional Voice Clones, los clones de voz profesionales que no estaban disponibles en v3.
ElevenLabs afirma que su biblioteca de más de 17 500 voces es compatible con el nuevo modelo.
Sin embargo, existe una condición para determinadas voces creadas anteriormente: los clones antiguos, tanto instantáneos como profesionales, necesitan volver a entrenarse para funcionar con v4.
Este detalle será especialmente relevante para empresas y creadores que hayan construido una identidad sonora propia.
Disponer de una voz en la biblioteca no implica necesariamente que su migración al nuevo modelo se produzca sin trabajo adicional.
La compañía establece además que toda voz clonada requiere el consentimiento verificado de su propietario.
La exigencia responde a uno de los problemas más delicados de la síntesis de voz: la posibilidad de reproducir características vocales reconocibles de una persona.
Eleven v4 Turbo reduce la espera en los agentes conversacionales
Mientras Eleven v4 se centra en la calidad de la interpretación, Eleven v4 Turbo está orientado a las conversaciones en directo.
El modelo incorpora transmisión bidireccional. Un desarrollador puede enviar texto a medida que un modelo de lenguaje lo produce, mientras Turbo comienza a devolver audio sin esperar necesariamente a que la frase esté completa.
Ese funcionamiento busca reducir uno de los problemas más visibles de los asistentes de voz: las pausas entre la intervención de una persona y la respuesta del sistema.
En una conversación telefónica, una espera breve puede resultar menos perceptible que una pausa prolongada después de cada pregunta.
La mejora podría ser útil en servicios de atención al cliente, asistentes internos o aplicaciones que requieren intercambios frecuentes.
Pero el tiempo hasta el primer fragmento de audio no equivale a la latencia total del agente. En una conversación completa también intervienen el reconocimiento de voz, el procesamiento del modelo de lenguaje, las consultas a herramientas y las condiciones de la conexión.
ElevenLabs anuncia 150 milisegundos hasta el inicio de la voz
El fabricante destaca dos mediciones de rendimiento de Eleven v4 Turbo:
| Indicador comunicado por ElevenLabs | Resultado |
|---|---|
| Latencia mediana de inferencia | 100 ms |
| Tiempo mediano hasta el inicio de la voz | 150 ms |
ElevenLabs también ha difundido una comparación en la que Turbo comienza a hablar en 150 ms, frente a 262 ms de Cartesia Sonic 3.6 y 814 ms de OpenAI GPT-4o mini TTS.
Estas cifras proceden de la comparación publicada por ElevenLabs. Sin información adicional sobre las condiciones de evaluación, no deben interpretarse como una clasificación independiente del rendimiento de todos los servicios en cualquier entorno.
La velocidad también puede variar según la infraestructura, la longitud del contenido y la integración concreta.
La diferencia técnica más relevante del lanzamiento es que Turbo está preparado para producir audio de forma progresiva mientras sigue recibiendo texto.
Una misma voz durante toda la llamada
Eleven v4 Turbo conserva los controles expresivos de v4 y permite utilizar el mismo clon profesional de voz durante una llamada.
La continuidad de la voz resulta importante en los agentes empresariales.
Si un asistente cambia inesperadamente de timbre entre respuestas, la conversación puede resultar menos coherente. Mantener una identidad vocal estable facilita que el usuario reconozca que sigue interactuando con el mismo servicio.
La compañía presenta esta capacidad como parte de su apuesta por agentes de voz preparados para operar en tiempo real.
Sin embargo, la estabilidad de la voz no garantiza por sí sola la calidad de la conversación. El agente debe seguir comprendiendo las peticiones y utilizar correctamente las herramientas a las que tenga acceso.
Qué cambia para las empresas que utilizan agentes de voz
El lanzamiento separa con más claridad dos modalidades de uso.
Una empresa que produzca narraciones puede dar prioridad a la expresividad, a los cambios de hablante y a la continuidad entre escenas. Para ese escenario, ElevenLabs presenta Eleven v4 como su modelo centrado en la calidad del audio producido.
Una empresa que desarrolle un asistente telefónico puede valorar especialmente que la respuesta comience pronto. Ahí encaja Eleven v4 Turbo.
La posibilidad de transmitir texto y recibir audio simultáneamente también facilita conectar la generación de voz con otros modelos que producen respuestas de manera progresiva.
ElevenLabs indica que Turbo estará disponible mediante ElevenAgents, además de su API.
Así, el lanzamiento no se limita a ofrecer una voz para descargar: busca que los desarrolladores la integren directamente en sistemas conversacionales.
API, formatos y herramientas disponibles
Los dos modelos se incorporan a los productos de ElevenLabs y a ElevenAPI.
La plataforma ofrece herramientas para generar y diseñar voces, clonar voces autorizadas y utilizar diccionarios de pronunciación.
También permite trabajar con distintos formatos de salida, incluidos MP3, WAV y PCM, además de µ-law, utilizado en determinados entornos de telefonía.
Los desarrolladores pueden integrar los modelos mediante servicios de REST y herramientas para TypeScript y Python.
Según la compañía, el cambio entre modelos puede realizarse modificando el identificador correspondiente.
Esta compatibilidad puede facilitar las pruebas dentro de una misma aplicación, aunque los responsables técnicos deberán revisar las diferencias de funcionamiento y las instrucciones admitidas por cada versión.
Disponibilidad y precios: también en el plan gratuito
ElevenLabs afirma que Eleven v4 y v4 Turbo están incluidos en todos sus planes, también en la modalidad gratuita.
La información publicada sitúa el plan sin coste en 10 000 créditos mensuales y los planes de pago desde 6 dólares al mes.
No obstante, 10 000 créditos no equivalen necesariamente a 10 000 caracteres de audio en cualquier modalidad. El consumo depende de las reglas de facturación aplicables a cada función y modelo.
Del mismo modo, el precio inicial de un plan no determina por sí solo cuánto costará un proyecto de narración extenso o un servicio con numerosas llamadas.
Las empresas que prevean un uso intensivo deben calcular el consumo según el volumen real de generación y las condiciones de su modalidad.
La clonación de voz reabre las preguntas sobre identidad y consentimiento
La mejora en naturalidad y estabilidad también hace más importante identificar quién ha autorizado la reproducción de una voz.
ElevenLabs señala que exige consentimiento verificado del propietario para crear voces clonadas.
La compañía dispone, además, de una herramienta denominada AI Speech Classifier, destinada a ayudar a identificar audio generado mediante su tecnología.
Estas medidas pueden contribuir a reducir usos no autorizados, pero no demuestran que cualquier audio sintético pueda detectarse siempre ni impiden por sí solas todas las suplantaciones.
Para los usuarios empresariales, el lanzamiento plantea una responsabilidad práctica: distinguir claramente cuándo habla una persona y cuándo lo hace un agente automatizado.
La naturalidad de una voz puede mejorar la experiencia. No debería utilizarse para crear confusión sobre la identidad de quien está al otro lado de la conversación.
Dos modelos para necesidades diferentes
ElevenLabs ha optado por dividir su nueva generación en dos propuestas.
Eleven v4 prioriza la expresividad, el contexto y la continuidad entre fragmentos. Sus herramientas pueden resultar relevantes para proyectos de narración y contenidos donde la interpretación vocal sea una parte importante del producto.
Eleven v4 Turbo se dirige a aplicaciones en las que cada pausa cuenta. La transmisión bidireccional y el inicio rápido de la voz buscan hacer más fluidos los intercambios con agentes de IA.
Ambos modelos admiten integración mediante la plataforma de ElevenLabs. Turbo también se ofrece para ElevenAgents.
La compañía anuncia mejoras en naturalidad y rendimiento, aunque sus cifras comparativas deberán valorarse en las condiciones concretas de cada aplicación.
El lanzamiento deja una evolución clara: la voz sintética ya no se desarrolla únicamente para leer textos con mejor entonación, sino también para sostener conversaciones con tiempos de respuesta cada vez más reducidos.
Chollones
Chollones
Chollones