概览
ElevenLabs 全新架构的旗舰文本转语音模型：能读懂语境、情绪与说话人关系，支持 [laughs]、[whispers]、[door slams] 等音频标签和自然语言演绎指令，90+ 语言（含普通话、粤语），重新支持专业声音克隆；API $0.08/千字符。 Eleven v4 是 ElevenLabs 于 2026 年 9 月 28 日发布的新一代文本转语音模型（官方博文 10 月 19 日更新），与低延迟版 Eleven v4 Turbo 同时推出。它基于全新架构，能根据文本语境判断语气、节奏、情绪和角色，多说话人对话时会相互回应，适合有声书、角色配音、广告旁白、游戏和本地化配音。用户可以用自然语言描述某句台词的演绎方式，或在文本里插入 [laughs]、[whispers] 这类音频标签，甚至直接插入环境音效。v4 支持 90 多种语言（含普通话与粤语），一个音色可以流利说其他语言并带母语口音；即时声音克隆只需 10 秒音频，并重新支持 v3 不支持的专业声音克隆。单次请求上限 10,000 字符，通过 Text to Dialogue API 调用（模型 ID eleven_v4），也可在 ElevenCreative 与 ElevenAgents 中直接使用。官方定价页 API 价格为 $0.08/千字符，订阅用户按各档字符额度使用。来源：https://elevenlabs.io/blog/eleven-v4 、https://elevenlabs.io/v4 、https://elevenlabs.io/docs/overview/models 、https://elevenlabs.io/pricing/api （2026-10-21 核对）。
- 模态
- 音频
能力
- 模型 ID：eleven_v4，通过 Text to Dialogue API 调用；ElevenAgents、ElevenCreative 与 ElevenAPI 均已上线
- 全新架构：按配音演员的方式读剧本，理解谁在说话、刚发生了什么、每句该怎么落地；多说话人对话会相互回应，而不是逐句拼接
- 演绎控制：可用自然语言描述某句怎么说，也可在文本里插入 [laughs]、[said angrily in French accent]、[light rain]、[phone buzzing] 等内联标签（含音效），官方称比 v3 更准确地执行标签序列；IPA 音标发音支持显著改进
- 语言：90+ 语言（官方列表含普通话 zh、粤语 yue）；同一音色可跨语言说话并带母语口音，口音不再漂回源语言
- 声音克隆：即时克隆只需 10 秒音频；重新支持 v3 不支持的专业声音克隆（PVC）；长篇和反复重生成时说话人更稳定
- 长文本：单次请求上限 10,000 字符；请求拼接（context stitching）更可靠，适合有声书、Studio 与 Reader App
- 官方排名：Artificial Analysis 语音竞技场 2026 年 9 月排名第 1；盲测中约 75% 听众更偏好 v4（官方数据）
- 低延迟版本：同代 Eleven v4 Turbo（eleven_v4_turbo）面向实时与智能体，见 /models/eleven-v4-turbo/
- 价格：ElevenAPI 定价页 Text to Speech（v4）$0.08/千字符
