ElevenLabs ra mắt Eleven v4: Giọng nói AI giàu cảm xúc hơn, bản Turbo phản hồi chỉ 150ms

Bước tiến mới trong việc tạo biểu cảm và giữ tính nhất quán giọng nói

ElevenLabs vừa chính thức phát hành Eleven v4, mô hình tổng hợp giọng nói mới nhất với khả năng tuân thủ các chỉ dẫn kịch bản chuẩn xác hơn và giữ được chất giọng ổn định xuyên suốt các tác phẩm dài. Đi kèm với bản tiêu chuẩn là biến thể Eleven v4 Turbo, nhắm thẳng vào các tác vụ tác nhân đàm thoại (voice agent) theo thời gian thực như tổng đài chăm sóc khách hàng hoặc nhân vật trong trò chơi điện tử.

So với phiên bản tiền nhiệm Eleven v3 ra mắt hơn một năm trước, v4 mang lại bước nhảy vọt về khả năng thể hiện các thẻ âm thanh đặc biệt (audio tags). Người dùng giờ đây có thể chèn các chỉ báo về cảm xúc, tiếng cười, tiếng thì thầm hay thậm chí là hiệu ứng âm thanh môi trường như tiếng đóng sầm cửa với độ chính xác cao hơn rõ rệt. Nhờ kiến trúc mới có thể phân tích tổng thể ngữ cảnh, giọng điệu và nhịp điệu của toàn bộ kịch bản, các nhân vật AI trong hội thoại sẽ phản hồi dựa trên tình huống của cả phân cảnh thay vì chỉ xử lý từng câu đơn lẻ.

Độ nhất quán của giọng đọc cũng được cải thiện mạnh mẽ. Giọng của người dẫn chuyện và các nhân vật sẽ duy trì phong thái ổn định trong suốt dự án, ngay cả khi người dùng phải tạo lại (regenerate) từng câu thoại nhiều lần. Mỗi yêu cầu xử lý trên v4 hiện tiếp nhận tối đa 10.000 ký tự (tương đương khoảng 10 phút âm thanh), giúp việc chuyển đoạn trong các dự án dài như sách nói trở nên mượt mà, không bị lệch nhịp.

Hỗ trợ hơn 90 ngôn ngữ và công nghệ nhân bản giọng nói tiên tiến

Eleven v4 mở rộng danh mục hỗ trợ lên hơn 90 ngôn ngữ, tăng đáng kể so với mức khoảng 70 ngôn ngữ của v3. Đáng chú ý, các giọng nhân bản (cloned voices) có thể nói ngoại ngữ với ngữ điệu tự nhiên như người bản xứ mà không gặp tình trạng bị "trôi" dần về chất giọng gốc theo thời gian.

Tính năng nhân bản giọng nói chuyên nghiệp (Professional Voice Clone) chính thức trở lại trên v4 sau khi từng bị gián đoạn ở phiên bản v3. Trong khi đó, tính năng nhân bản tức thì (Instant Voice Clone) nay chỉ cần đoạn âm thanh mẫu dài 10 giây. Người dùng cũng có thể kiểm soát cách phát âm tên riêng và thuật ngữ chuyên ngành chuẩn xác hơn thông qua hệ thống phiên âm ngữ âm (phonetic spelling).

Nâng cấp này tiếp tục củng cố dịch vụ lồng tiếng đa ngôn ngữ của ElevenLabs. Công ty duy trì mô hình cấp phép bản quyền từ các diễn viên lồng tiếng, cho phép họ đưa giọng clone chất lượng cao lên thư viện của nền tảng để nhận chia sẻ doanh thu khi có người dùng trả phí khai thác — tương tự cách nền tảng này đã làm với giọng của các ngôi sao như diễn viên Michael Caine.

Sức mạnh của bản Turbo, kiểm thử thực tế và biểu phí

Đối với các ứng dụng đàm thoại trực tiếp, phiên bản Eleven v4 Turbo giải quyết bài toán đánh đổi lâu nay giữa tốc độ và độ biểu cảm. Trong các thử nghiệm do ElevenLabs công bố, v4 Turbo chỉ mất khoảng 150 mili-giây để bắt đầu phát ra âm thanh. Con số này nhanh hơn đáng kể so với Cartesia Sonic 3.6 (262 mili-giây) và bỏ xa OpenAI GPT-4o mini TTS (814 mili-giây).

Trên bảng xếp hạng Provider Voice Arena của Artificial Analysis, Eleven v4 hiện dẫn đầu, vượt qua cả Cartesia Sonic 3.6 và Gemini 3.8 Flash TTS của Google. Ở bài kiểm tra độ chuẩn xác phát âm, mô hình đạt 91,7%, tăng từ mức 85,6% của v3. Trong các thử nghiệm mù (blind test) với người nghe, khoảng 75% người tham gia ưu tiên Eleven v4 hơn các đối thủ từ Cartesia, Inworld và Google; tỷ lệ đánh giá v4 giàu biểu cảm hơn dao động từ 65% đến 81%.

Về mặt chi phí, mức giá chuẩn qua API của v4 là 80 USD cho mỗi 1 triệu ký tự, trong khi bản Turbo là 40 USD/triệu ký tự (so với mức 49 USD của Sonic 3.6 và 16,49 USD của Gemini 3.8 Flash TTS). Để kích cầu, ElevenLabs tung đợt giảm giá tạm thời đến hết ngày 12/10, hạ xuống còn lần lượt 22 USD và 11 USD/triệu ký tự. Người dùng từ gói Creator (22 USD/tháng) trở lên được trải nghiệm v4 trong công cụ ElevenCreative miễn phí trong 2 tuần (áp trần ở mức gấp đôi hạn mức tháng).

Hiện cả hai mô hình đã có mặt trên ElevenAgents, ElevenCreative và cổng API. Về bảo mật, dữ liệu khách hàng mặc định lưu trữ tại Mỹ; khách hàng doanh nghiệp có thêm tùy chọn lưu trữ tại EU, Ấn Độ hoặc Singapore, kèm chế độ xử lý không lưu lại dữ liệu (zero retention) dành riêng cho khu vực châu Âu.