ElevenLabs выпустила модель озвучки v4

ElevenLabs выпустила новую модель озвучки v4 и облегчённую версию v4 Turbo 28 сентября. Она поддерживает больше 90 языков вместо 70 у прошлой версии v3, самый заметный скачок качества — в японском, бразильском португальском, мандаринском и кантонском. Голос теперь можно клонировать по десяти секундам записи, а не по более длинному образцу, как раньше.

Мне тут интереснее снижение задержки, чем рост числа языков: в голосовых агентах пользователь чувствует паузу перед ответом в первую же секунду разговора. У v4 звук начинает генерироваться сразу, как только языковая модель выдаёт первые слова ответа, а не после того, как весь текст готов. Клонировать голос по десяти секундам записи вместо долгой сессии тоже практично: с коротким образцом проще быстро собрать голос для агента поддержки, не заставляя человека наговаривать длинный текст.