ElevenLabs lança Eleven v4 e v4 Turbo: latência de ~100 ms e suporte a 90+ idiomas
ElevenLabs acelera a corrida da voz sintética
A ElevenLabs colocou no ar a nova geração do seu modelo de voz, o Eleven v4, acompanhado da variante v4 Turbo. A novidade assume o topo do ranking do Speech Arena da Artificial Analysis — o principal benchmark público do segmento — e já chega com desconto promocional de duas semanas na API.
O movimento consolida a ElevenLabs como referência em text-to-speech neural (a tecnologia que converte texto em fala sintética com entonação humana) e pressiona concorrentes como OpenAI, Google e AWS Polly a repensarem seus próprios modelos. Em um mercado onde latência e naturalidade ditam quem ganha contratos, cada milissegundo conta.
O que mudou no Eleven v4
O v4 traz um salto claro em naturalidade e controle de prosódia (a variação de ritmo, ênfase e entonação que torna a fala humana crível). Segundo a empresa, o modelo é capaz de lidar com instruções mais complexas em linguagem natural, como pedir pausas dramáticas, risadas contidas ou sussurros sem que o resultado soe robótico.
Entre os destaques técnicos:
- Latência mediana de ~100 ms no v4 Turbo, contra ~300 ms da geração anterior — diferença decisiva para uso em agentes conversacionais e atendimento ao cliente em tempo real.
- Suporte a 90+ idiomas, com troca de idioma no meio da mesma frase sem degradação perceptível.
- Clonagem de voz em 10 segundos, reduzindo drasticamente a barreira de entrada para criadores e desenvolvedores.
- API com desconto promocional válido por duas semanas, movimento clássico de aquisição agressiva de devs.
A variante Turbo foi desenhada explicitamente para casos onde o tempo de resposta manda mais que a fidelidade absoluta de áudio — como call centers automatizados, assistentes em jogos e narrações interativas. O v4 padrão preserva maior qualidade para uso em conteúdo final, como audiobooks, documentários e publicidade.
Por que a latência importa
Em conversa por voz, qualquer resposta acima de ~300 ms já começa a parecer "off" — o usuário percebe o atraso e a confiança no agente despenca. É por isso que empresas como a própria ElevenLabs e a OpenAI investem pesado em inferência rápida (o processo de rodar o modelo para gerar a resposta em tempo real), com técnicas como speculative decoding (uma otimização que calcula vários passos de geração em paralelo para acelerar a entrega) e modelos destilados (versões menores e mais rápidas, treinadas para imitar o modelo maior).
Os 100 ms medianos anunciados pelo Turbo colocam o Eleven v4 no mesmo patamar de resposta de interlocutores humanos em conversa casual, abrindo espaço para casos de uso que antes eram inviáveis com TTS tradicional.
Clonagem em 10 segundos: o novo padrão
A redução do tempo necessário para clonar uma voz — de minutos ou horas para apenas dez segundos de áudio de referência — derruba uma das últimas barreiras práticas do setor. A ElevenLabs já permitia clonagem instantânea, mas com qualidade inconsistente. O v4 promete manter a fidelidade da voz original mesmo com amostras curtíssimas, graças ao que a empresa descreve como melhorias no encoder (a parte do modelo que transforma o áudio de referência em uma representação matemática que captura timbre e entonação).
Para desenvolvedores brasileiros, isso significa poder criar experiências localizadas com vozes que soam naturais em PT-BR sem gravar horas de material fonético.
O leitor fica atento
Como todo lançamento de modelo de voz, a comparação real virá quando os primeiros benchmarks independentes saírem. O topo do Speech Arena da Artificial Analysis é uma boa vitrine, mas o arena depende de votação cega de usuários — e vencedores costumam oscilar conforme novas variantes entram no páreo.
O desconto de duas semanas na API, por sua vez, é o movimento típico de plataformas que querem inflar a base de desenvolvedores antes de subir preço. Vale a pena prototipar agora enquanto a tarifa promocional dura.