Eleven v4 是 ElevenLabs 情感表现力最强的文字转语音模型，2026 年 9 月 28 日与低延迟姊妹模型 Eleven v4 Turbo 一同发布。它也是独立投票里要超越的那一个：在 Artificial Analysis 语音竞技场上，Turbo 排第 1、v4 排第 2，领先所有其他厂商的文字转语音模型，也远超上一代 Eleven v3（现排第 18）。
两个模型，两种用途
| Eleven v4 | Eleven v4 Turbo | |
|---|---|---|
| 定位 | 成品内容——有声书、配音、译制、角色演绎 | 智能体与交互应用 |
| 速度 | ElevenLabs 未公布 | 推理延迟中位数约 100 毫秒；WebSocket 流式下约 150 毫秒出声（厂商自测） |
| 单次请求上限 | 10,000 字符 | 官方未列出 |
| 语言 | 90+ | 90+ |
| API 价格 | 每千字符 $0.08 | 每千字符 $0.04 |
| 竞技场排名（Artificial Analysis） | 第 2，Elo 1326 | 第 1，Elo 1330 |
ElevenLabs 称它把 Turbo 和自家的 ElevenAgents 平台作为一个整体一起优化，所以在这套技术栈上做智能体的团队，拿到的是为其运行环路调校过的模型。
变化在哪里
- 用标签导演。
[laughs]、[excited, happy]、[said angrily in French accent]这类内嵌音频标签可以塑造演绎方式，[light rain]、[phone buzzing]这样的标签则加入音效。你也可以用自然语言描述一句话该怎么说。IPA 音素支持更强，自定义发音更可靠。 - 多说话人场景。 v4 用一种新方法捕捉说话人身份，生成的对话里说话人会回应刚说过的内容，而不是把孤立的句子拼在一起。它通过 Text to Dialogue API 提供。
- 一个声音，多种语言。 用一种语言录制的声音，可以用带母语口音的方式说 90+ 种支持语言中的任何一种，同时保持身份。ElevenLabs 称长段生成中的口音漂移大幅减少。
- 克隆。 即时声音克隆约 10 秒音频即可，也支持专业声音克隆。长篇内容的请求拼接比 v3 更可靠。
排名
| Artificial Analysis 语音竞技场（2026 年 10 月） | Elo | 排名 | 每百万字符价格 |
|---|---|---|---|
| Eleven v4 Turbo | 1330 | 第 1 | $40.00 |
| Eleven v4 | 1326 | 第 2 | $80.00 |
| Qwen-Audio 3.1 TTS-Plus | 1298 | 第 3 | $19.30 |
| Cartesia Sonic 3.6 | 1286 | 第 4 | $49.00 |
| Gemini 3.8 Flash TTS | 1274 | 第 5 | $16.50 |
| Eleven v3 | 1177 | 第 18 | $100.00 |
竞技场对各厂商自带的声音（每个模型八个）做听众盲投，两个 Eleven v4 分数只差 4 分，而误差约 ±17，应视为并列。Eleven v4 领先第三名 28 分。Artificial Analysis 把 Eleven v3 标为每百万字符 $100，而 ElevenLabs 自己的价目表是每千字符 $0.08——和 v4 相同。
ElevenLabs 另外称，在它自己对 Cartesia Sonic 3.6、Inworld TTS-2 和两个 Gemini TTS 模型的盲测中，约 75% 的听众更喜欢 v4。这是厂商自行组织的测试，我们没有验证。
价格与获取方式
ElevenAPI 对 v4 按每千字符 $0.08 计费，对 v4 Turbo 为 $0.04。两个模型在所有方案（包括免费方案）里都可用，也可通过 ElevenAPI、ElevenAgents 和 ElevenCreative 使用。作为对照，Artificial Analysis 给 Gemini 3.8 Flash TTS 标的是每百万字符 $16.50，Qwen-Audio 3.1 TTS-Plus 是 $19.30。
适合谁
当演绎和文字同样重要时选 Eleven v4：有声书、角色声音、广告，以及需要一个品牌声音跨语言保持一致的译制与本地化。做语音智能体选 Turbo——它排名第一，价格只有 v4 的一半。如果每字符成本比最后几个 Elo 点更重要，Qwen-Audio 3.1 和 Gemini 3.8 Flash TTS 落后约 30–60 分，但价格只是零头。
适用场景
- 有声书、配音与对表演要求高的角色演绎（v4）
- 语音智能体与实时电话流程（v4 Turbo，约 150 毫秒出声）
- 一个品牌声音覆盖多语言的配音与本地化
- 需要情感幅度与多人场景的游戏和动画
优缺点
优势
- 在 Artificial Analysis 语音竞技场排名第 1（Eleven v4 Turbo，Elo 1330）和第 2（Eleven v4，1326），领先 Qwen-Audio 3.1 与 Gemini 3.8 Flash TTS
- 内嵌音频标签——[laughs]、[excited, happy]，甚至 [light rain] 这类音效——并支持自然语言的演绎指令，IPA 音素支持也更好
- 自然的多说话人对话，整场戏里每个说话人的身份保持一致
- 支持 90+ 种语言，同一个声音在所有语言中保持身份并带母语口音
- 约 10 秒音频即可做即时声音克隆，两个模型都支持专业声音克隆
局限
- 领先梯队中价格最高——v4 每百万字符 $80，按 Artificial Analysis 的数字约为 Qwen-Audio 3.1 TTS-Plus 的 4 倍、Gemini 3.8 Flash TTS 的近 5 倍
- Eleven v4 单次请求上限 10,000 字符，书籍和长脚本需要请求拼接
- 两个模型的竞技场分数落在彼此误差范围内，除非需要成品内容调校，否则价格减半的 Turbo 更划算
- 闭源且仅托管——没有开放权重，也无法自托管
常见问题
Eleven v4 是什么？
Eleven v4 是 ElevenLabs 的文字转语音模型家族，2026 年 9 月 28 日发布，分两个版本。Eleven v4 面向有声书、配音、译制等成品内容；Eleven v4 Turbo 是面向智能体与交互应用的低延迟版本，推理延迟中位数约 100 毫秒，按 ElevenLabs 自己的测量，从请求到出声的中位数约 150 毫秒。两者都支持 90+ 种语言。
Eleven v4 多少钱？
ElevenAPI 标价为 Eleven v4 每千字符 $0.08，Eleven v4 Turbo 每千字符 $0.04，Artificial Analysis 折算为每百万字符 $80 和 $40。免费方案每月含 10,000 字符 v4，Starter 方案每月 $6。
Eleven v4 和其他文字转语音模型相比排名如何？
在 Artificial Analysis 语音竞技场（听众盲投，2026 年 10 月）上，Eleven v4 Turbo 以 Elo 1330 排第 1，Eleven v4 以 1326 排第 2，两者落在彼此的误差范围内。Qwen-Audio 3.1 TTS-Plus 第 3（1298），Cartesia Sonic 3.6 第 4（1286），Gemini 3.8 Flash TTS 第 5（1274）。上一代 Eleven v3 排第 18（1177）。
Eleven v4 比 Eleven v3 好吗？
在盲测投票中明显更好——在 Artificial Analysis 上高约 150 个 Elo 点。v4 还支持 90+ 种语言（v3 为 70+）和 10,000 字符的单次请求上限（v3 为 5,000），而 ElevenLabs 标价与 v3 相同，都是每千字符 $0.08。
音频标签有什么用？
它们是写在文本里的内嵌指令——例如 [excited, happy]、[sleepy drowsy voice]、[laughs] 或 [said angrily in French accent]——用来改变一句话的演绎方式，也能加入 [light rain]、[phone buzzing] 这样的音效。ElevenLabs 称 v4 比此前的模型更准确地遵循这些标签。
能用 Eleven v4 克隆自己的声音吗？
可以。即时声音克隆约 10 秒音频即可捕捉一个声音，最高保真度的场景则支持专业声音克隆。