Thẻ âm thanh của Eleven v4 và bản sao mười giây: Điều gì thay đổi trong pipeline của bạn

Điều hệ trọng nhất ở ElevenLabs Eleven v4 không phải là điểm Elo của nó. Mà là việc mô hình đọc được chỉ dẫn được viết trong kịch bản — [cười], [thì thầm], [thở dài], [nói giận dữ bằng giọng Pháp], thậm chí [mưa nhẹ] — và rằng ElevenLabs Eleven v4 Turbo, người anh em độ trễ thấp ra mắt cùng ngày, tuân theo các thẻ tương tự với thời gian trung vị đến âm thanh đầu tiên mà nhà cung cấp ước tính khoảng 150 ms. Cả hai đã được phát hành rộng rãi vào ngày 28 tháng 9 năm 2026. Provider Voice Arena của Artificial Analysis đã xếp Eleven v4 ở vị trí số 1 với Elo 1.319 qua 1.674 lần xuất hiện, ở mức giá niêm yết $80,00 mỗi triệu ký tự. Thứ hạng là điểm nhấn. Cú pháp chỉ dẫn và bản sao giọng nói mười giây là phần thay đổi những gì bạn phải xây dựng.

Hai mô hình, một lần ra mắt, những nhiệm vụ khác nhau

ElevenLabs đã ra mắt hai endpoint vào ngày 28 tháng 9 năm 2026, và chúng không phải là cùng một sản phẩm chỉ khác nhau ở một nút chuyển tốc độ. ElevenLabs Eleven v4 là mô hình biểu cảm: hơn 90 ngôn ngữ, giới hạn 10.000 ký tự mỗi yêu cầu, hỗ trợ Bảng phiên âm quốc tế được cải thiện cho các cách phát âm tùy chỉnh, và đối thoại nhiều người nói mà công ty cho biết vẫn giữ nguyên danh tính người nói xuyên suốt một cảnh. ElevenLabs Eleven v4 Turbo vẫn giữ hơn 90 ngôn ngữ và giới hạn 10.000 ký tự nhưng được tinh chỉnh cho các agent — thông báo nêu mức độ trễ suy luận trung vị khoảng 100 ms và thời gian trung vị đến âm thanh đầu tiên khoảng 150 ms, do ElevenLabs đo lường vào tháng 9 năm 2026.

Câu hỏi mang tính phản ứng — liệu flagship có đủ nhanh cho một tác nhân điện thoại không — vẫn chưa có câu trả lời được công bố. ElevenLabs đưa ra các số liệu độ trễ cho Turbo, không phải cho bản thân Eleven v4, và cả hai là những endpoint riêng biệt chứ không phải một mô hình dưới hai tên gọi. Nếu ngân sách của tác nhân của bạn là 200 ms để có âm thanh đầu tiên, thì Turbo là endpoint trong tài liệu còn flagship thì không.

Các thẻ là một giao diện thực sự, và là một sự phụ thuộc thực sự

Thẻ âm thanh nội tuyến không mới đối với tổng hợp giọng nói, nhưng thay đổi hữu ích ở đây nằm ở độ chính xác của việc tuân thủ. Thông báo cho biết Eleven v4 tuân theo thẻ âm thanh và lời nhắc chỉ dẫn bằng ngôn ngữ tự nhiên chính xác hơn các mô hình trước đây, và đây là cách bạn điều khiển một tiếng cười, một lời thì thầm hoặc một cách thể hiện bằng chất giọng cụ thể mà không cần chỉnh sửa âm thanh sau đó.

Ba hệ quả thực tiễn sau đây, và chúng quan trọng hơn những đoạn clip demo:

• Kịch bản của bạn trở thành một artifact dạng mẫu, không phải một chuỗi. Một thẻ là một token trong pipeline nội dung của bạn: nó cần được escape nếu văn bản không đáng tin cậy từng được truyền qua, và nó cần tồn tại qua CMS, lớp dịch và bước duyệt diff của bạn. Một dịch giả bỏ sót [thì thầm] đã thay đổi một màn trình diễn, một cách âm thầm.

• Việc tuân thủ thẻ là một tuyên bố của nhà cung cấp gắn với một phiên bản cụ thể. Tuyên bố rằng thế hệ này tuân theo thẻ tốt hơn thế hệ trước là của chính ElevenLabs, do ElevenLabs kiểm nghiệm, và nó sẽ không đúng một cách giống hệt nhau trên các ngôn ngữ. Hãy kiểm chứng trên chính kịch bản và locale của bạn trước khi bạn xây dựng một style guide dựa trên đó.

• Các thẻ hiệu ứng âm thanh như [mưa nhẹ] hoặc [tiếng điện thoại rung] chuyển một phần nhỏ công việc hậu kỳ âm thanh vào lời nhắc văn bản. Đó là một sự dịch chuyển chi phí đáng để đo lường: nếu một thẻ thay thế một lượt foley, thì nó rẻ; nếu nó không thay thế gì và chỉ làm tăng độ biến thiên, thì đó là một kiểu lỗi mới trong QA của bạn.

Mười giây là con số thay đổi onboarding

Instant Voice Cloning trong bản phát hành này ghi lại giọng nói với độ trung thực cao chỉ từ mười giây âm thanh, trong khi gói nhân bản chuyên nghiệp vẫn có sẵn ở cấp cao hơn. Mười giây đủ ngắn để rút gọn một bước trong quy trình: ghi nhận sự đồng ý, tải mẫu lên và tổng hợp lần đầu có thể diễn ra trong một lần ngồi, trên điện thoại, mà không cần phòng thu.

Vấn đề đồng thuận không hề nhỏ đi theo mẫu. Nó còn lớn hơn, bởi vì ngưỡng để tạo ra một bản sao đủ thuyết phục đã hạ xuống mức một đoạn clip ai cũng có thể ghi lại. Nếu bạn đang sao chép những giọng nói mà bạn không sở hữu, câu hỏi tuân thủ giờ đây hoàn toàn thuộc về bạn để trả lời trước lệnh gọi API — mô hình sẽ làm điều bạn yêu cầu. Hãy coi con số mười giây là một ngưỡng vận hành, không phải một tờ giấy phép.

Chi phí phải trả trong khi cửa sổ mở

ElevenLabs đã định giá lại vào thời điểm ra mắt, và mức giá khuyến mãi chính là mức đang hiển thị trên trang hôm nay. Trên bảng giá API, Eleven v4 được niêm yết ở mức $0,022 mỗi 1.000 ký tự so với mức niêm yết được công bố là $0,08, còn Eleven v4 Turbo là $0,011 so với $0,04. Cả hai đều mang cùng một nhãn: giảm 72% đến ngày 12 tháng 10. Cũng trên trang đó, mẫu flagship trước đây là Eleven v3 được niêm yết ở mức $0,08 mỗi 1.000 ký tự.

• Giá trên bảng xếp hạng ở arena, tính trên mỗi triệu ký tự — Eleven v4 $80.00, cao nhất trong top mười của bảng xếp hạng đó.

• Bảng giá nhà cung cấp, mỗi nghìn ký tự — $0,022 đến ngày 12 tháng 10, sau đó là $0,08.

• Điều đó có nghĩa gì trên thực tế — một tháng sử dụng nhiều script với năm triệu ký tự tốn $110 trong khung thời gian ưu đãi và $400 sau đó, trên cùng một endpoint với cùng đoạn mã.

Bất kỳ ai lập ngân sách cho Q1 dựa trên con số trên trang hôm nay đều đang lập ngân sách dựa trên một con số sẽ hết hạn sau hai tuần. Hãy dùng $0.08.

Nơi một bộ định tuyến khẳng định vị trí của mình trong một buổi ra mắt như thế này

OrcaRouter không host ElevenLabs, nên không có gì trong lần ra mắt này để gọi qua chúng tôi, và chúng tôi sẽ không ngụ ý điều ngược lại — nơi để gọi Eleven v4 là API riêng của ElevenLabs. Điều mà một khóa duy nhất thực sự hữu ích trong hai tuần sau một lần ra mắt là việc so sánh. Nếu bạn đang quyết định liệu flagship mới có đánh bại thứ bạn đang chạy hay không, bạn muốn A/B hai cái đó trên chính script của mình thay vì trên bảng xếp hạng, và làm điều đó giữa hai nhà cung cấp đồng nghĩa với hai tài khoản, hai mối quan hệ thanh toán và hai đường tích hợp trước khi bạn có câu trả lời.

Đó là trường hợp chúng tôi xử lý: một API key duy nhất trên hơn 200 mô hình với giá niêm yết của nhà cung cấp được chuyển tiếp ở mức 0% markup, nên khi nhà cung cấp thay đổi giá — kể cả cửa sổ khuyến mãi có ngày hết hạn — sẽ được cập nhật phía chúng tôi ngay trong cùng ngày thay vì ở chu kỳ hóa đơn tiếp theo. Khi một luồng thoại hướng tới khách hàng, chuyển đổi dự phòng tự động sẽ chuyển lưu lượng sang một upstream khỏe mạnh khi một endpoint bị suy giảm, đó là cách bạn thử nghiệm một mô hình hoàn toàn mới mà không đặt cược cả bản phát hành vào nó.

Nên kiểm thử gì trước, và nên bỏ qua những gì

Ba phép kiểm tra sẽ cho bạn biết nhiều hơn bất kỳ bảng xếp hạng nào. Đầu tiên, hãy chạy kịch bản thực tế dài nhất của bạn qua giới hạn 10.000 ký tự và xem các mối nối rơi vào đâu — giới hạn này là theo mỗi yêu cầu, và hội thoại nhiều người nói là tính năng dễ bị nó chia tách nhất. Thứ hai, đưa năm câu của riêng bạn có gắn thẻ vào cả v4 và v4 Turbo rồi nghe xem có sự lệch tuân thủ giữa endpoint diễn cảm và endpoint độ trễ thấp hay không; chúng là những mô hình riêng biệt, và một thẻ hoạt động đúng trên mô hình này có thể không hoạt động giống hệt trên mô hình kia. Thứ ba, hãy tính giá khối lượng ký tự hàng tháng thực tế của bạn ở mức $0.08 thay vì $0.022, vì đó là con số mà quý tiếp theo của bạn sẽ vận hành dựa trên.

Con số ~75% về ưu tiên trong thử nghiệm mù được nêu trong thông báo là phép đo của nhà cung cấp và chúng tôi sẽ không tẩy trắng nó thành bất cứ điều gì khác. Con số độc lập trong lần ra mắt này là con số trên bảng xếp hạng: vị trí thứ nhất ở mức 1.319 Elo trên 1.674 lần xuất hiện, cùng một khoảng xấp xỉ ±19 điểm quanh nó. Đó là một kết quả mạnh trên một bảng xếp hạng thực. Nó không phải là một thông số kỹ thuật, và nó sẽ không cho bạn biết liệu cú pháp thẻ của bạn có sống sót qua một lượt dịch hay không.