Eleven v4 i Turbo: dialog, emocje i cisza między kwestiami

Nie każda rozmowa potrzebuje tego samego modelu głosu

Ktoś ma opowiedzieć historię, a ktoś inny odpowiedzieć od razu przez telefon. Niby w obu przypadkach chodzi o głos, ale potrzeby są inne. ElevenLabs udostępniło Eleven v4 i Eleven v4 Turbo 28 września 2026 roku w ElevenCreative, ElevenAgents oraz przez API. Producent deklaruje lepsze prowadzenie dialogu, kontrolę emocji i większą spójność głosu przy ponownym generowaniu kwestii. Dokumentacja wymienia ponad 90 języków, w tym polski.

V4 służy przygotowywanym materiałom: narracjom, dialogom i dłuższym nagraniom. Turbo ma szybko reagować, na przykład jako agent głosowy, czyli aplikacja prowadząca rozmowę z użytkownikiem. Przy zapowiedzi wydarzenia wybralibyśmy więc inny punkt wyjścia niż przy budowaniu rozmówcy działającego na żywo.

Chwila ciszy też coś mówi

W dokumentacji są znaczniki audio wskazujące sposób wykonania fragmentu: szept, emocję albo pauzę. Jeśli znacie zapis SSML break, tutaj go nie użyjecie — v4 go nie obsługuje. Przerwy opisujemy znacznikami audio, interpunkcją i strukturą tekstu.

Pomyślcie o krótkiej zapowiedzi. Spokojne wejście przybliża nas do sceny, cisza zostawia miejsce na nazwę, ostatnia kwestia dodaje energii. Tekst nie musi się zmieniać. Zmieniamy jego wykonanie, a wraz z nim charakter zaproszenia.

Dwa głosy po dwóch stronach drzwi

Do fikcyjnego Cookie Sessions mamy taki pomysł: pierwszy głos odzywa się cicho, jak ktoś stojący przed zamkniętą salą. Drugi odpowiada ze środka. Krótka wymiana zdań, cisza, nazwa wydarzenia i plakat. To plan nagrania; tej dwugłosowej zapowiedzi jeszcze nie przygotowaliśmy.

Głos przy drzwiach prowadzilibyśmy blisko słuchacza i oszczędnie. Temu z sali można dać swobodniejsze tempo. Tło i przejście dźwiękowe zaplanujcie osobno w montażu, żeby zmiana jednej kwestii nie pociągała za sobą przebudowy całości. Można też odwrócić role i poszukać dwóch interpretacji: kameralnego zaproszenia oraz mocniejszego wejścia.

Do tego pomysłu pasuje v4. Dokumentacja integracji kieruje do Text to Dialogue API, natomiast v4 Turbo ma wariant strumieniowy do rozmów na żywo. Przed wyborem wykonania trzeba jeszcze odsłuchać polską wymowę, nazwę Cookie Sessions, przejścia między rolami i ciszę przed tytułem. Najlepiej już przy obrazie plakatu — wtedy słychać, czy głos i grafika tworzą jedną scenę.