Eleven v4 a Eleven v3: co się zmieniło i co to oznacza dla twojej narracji

Eleven v4 a Eleven v3 w jednym akapicie#

Wybór między Eleven v4 a Eleven v3 wygląda inaczej w przypadku nagranej narracji niż agenta głosowego działającego na żywo. ElevenLabs zapowiedziało v4 i v4 Turbo 28 września 2026 roku (Otwiera się w nowej karcie), a wpis zaktualizowano 19 października: nowa architektura, szerszy zakres języków i zmienione sterowanie głosem to zmiany deklarowane przez dostawcę. Na 21 października 2026 roku żaden z modeli v4 nie jest dostępny na OmniArt. Możesz nadal pracować z Eleven v3, Eleven Multilingual v2 lub Eleven Turbo v2.5. Przy wideo, które zmontujesz przed publikacją, oceniaj nagrane wykonanie; w przypadku agenta, który musi odpowiadać natychmiast, osobno zbadaj opóźnienie strumieniowania.

Co zmieniło się według ElevenLabs#

Poniższe porównanie oddziela ustawienia dostępne na OmniArt od szerszych deklaracji ElevenLabs dotyczących modeli. Dane OmniArt pochodzą z katalogu syntezy mowy i list języków, sprawdzonych 21 października 2026 roku. Kolumna v4 podsumowuje opatrzoną datą zapowiedź wydania (Otwiera się w nowej karcie); opisane możliwości to deklaracje dostawcy, a nie wyniki praktycznego porównania na OmniArt.

Liczba języków w selektorze to szczegół integracji, a nie pełna miara jakości modelu. Sprawdź potrzebny język, a następnie odsłuchaj w nim nazwy, daty i przejścia. Podobnie funkcja klonowania u dostawcy nie dowodzi, że platforma twórcza ją udostępnia. Ten artykuł nie przedstawia procesu klonowania głosu na OmniArt ani nie przewiduje terminu pojawienia się v4.

Jak rozumieć dwa pomiary opóźnienia#

ElevenLabs podaje medianę opóźnienia inferencji wynoszącą około 100 ms dla Eleven v4 Turbo w części poświęconej architekturze w zapowiedzi z 28 września, zaktualizowanej 19 października 2026 roku (Otwiera się w nowej karcie). Temu stwierdzeniu nie towarzyszy opis metody pomiaru. Nie należy nazywać tej wartości czasem od zapytania do słyszalnej mowy.

Osobno to samo źródło podaje medianę czasu do pierwszej mowy wynoszącą około 150 ms dla Eleven v4 Turbo. Przypis 3 definiuje ją jako czas od zapytania do słyszalnej mowy, zmierzony we wrześniu 2026 roku przy identycznych scenariuszach i ustawieniach domyślnych, ze strumieniowaniem WebSocket dla v4 Turbo. Opóźnienie sieci zmierzono i odjęto dla każdego systemu. W porównaniu znalazły się Cartesia Sonic 3.6, xAI TTS, Google Gemini 3.8 Flash-Lite TTS i OpenAI GPT-4o mini TTS. Obie liczby pochodzą od dostawcy; żadna nie jest pomiarem opóźnienia modelu v4 bez Turbo.

To odrębne miary. Nie łącz ich w przedział ani nie odejmuj od siebie, aby wywnioskować etap przetwarzania, którego dostawca nie udokumentował. Mediana nie mówi też, jak zachowa się wolne zapytanie.

W przypadku agenta na żywo testuj całą interakcję w sieci i na urządzeniach odbiorców. Słuchacz czeka nie tylko na syntezę mowy: znaczenie mają też wykrywanie zmiany rozmówcy, planowanie odpowiedzi, przesył i odtwarzanie. Odjęcie czasu sieci pomaga wyizolować wynik testu, ale słabiej oddaje całkowity czas oczekiwania słuchacza.

Przy wygenerowanej wcześniej narracji do YouTube, reklamach lub lokalizowanych wideo opóźnienie pierwszego słowa rzadko decyduje o gotowym efekcie. Słuchaj raczej wykonania, wymowy, pauz i możliwości montażu. Szybkość generowania może wpływać na twój dzień pracy; nie sprawi jednak, że słabe wykonanie zacznie pasować do ostatecznego montażu.

Deklaracje dotyczące preferencji i rankingów#

Wpis ElevenLabs o wydaniu (Otwiera się w nowej karcie) podaje, że v4 zajęło pierwsze miejsce w Provider Voice Arena od Artificial Analysis we wrześniu 2026 roku. To historyczna pozycja przywołana przez dostawcę. Na 21 października 2026 roku aktualnej pozycji w rankingu nie potwierdzono niezależnie.

Wpis podaje też około 75% preferencji słuchaczy we własnych ślepych testach z września 2026 roku. Oceniający porównywali tę samą kwestię pod względem ekspresji i naturalności; remisy liczono jako połowę. Konkurentami były Cartesia Sonic 3.6, Inworld TTS-2, Google Gemini 3.8 Flash-Lite TTS i Google Gemini 3.8 Flash TTS. To test przeprowadzony przez dostawcę, z innym zestawem konkurentów niż w teście opóźnienia. Nie jest to zmierzona preferencja względem v3 na OmniArt.

Traktuj te deklaracje jako pomoc w wyborze modeli do odsłuchu, a nie zamiennik próby na własnym scenariuszu. Błędnie wymówiona nazwa produktu może przeważyć nad ogólnie dopracowanym czytaniem. Przy lokalizacji poproś osobę biegle znającą język docelowy, by sprawdziła wykonanie w kontekście. Ten artykuł nie zawiera testu odsłuchowego v4 ani niezależnego rankingu jakości.

Narracja na OmniArt już dziś#

Na 21 października 2026 roku katalog syntezy mowy OmniArt i jednostki rozliczeniowe zapewniają poniższe praktyczne opcje. Limity i koszty to ustawienia OmniArt, a nie cennik API ElevenLabs.

Te same opatrzone datą listy języków udostępniają 29 kodów językowych plus tryb automatyczny w Multilingual v2 oraz 32 plus tryb automatyczny w Turbo v2.5. Potwierdź język docelowy w selektorze, zanim wybierzesz model wyłącznie na podstawie długości scenariusza.

Według powyższych zasad cenowych z 21 października 2026 roku scenariusz o długości 1 000 znaków kosztuje 20 kredytów w v3 i 10 kredytów w Turbo v2.5. Liczbę bloków zaokrągla się w górę: dodanie tekstu poza pełny blok rozpoczyna kolejny płatny blok. To szacunki za jedno generowanie; dodatkowe ujęcia mają osobne koszty. Sprawdź szacunkowy koszt w trybie Audio po wklejeniu rzeczywistego scenariusza, łącznie ze znacznikami wykonania.

Aby ocenić v3, wybierz syntezę mowy i model, zachowaj ten sam preset głosu i zacznij od fragmentu, który wymaga wyraźnej zmiany sposobu mówienia. Wypróbuj ten scenariusz, a następnie usuń znaczniki w nawiasach kwadratowych i odsłuchaj ponownie:

Posłuchaj, czy ekscytacja pojawia się we właściwym momencie i czy cichsze zakończenie pozostaje zrozumiałe. Umieść neutralny fragment obok tego z instrukcjami, aby usłyszeć przejście, a nie tylko odizolowany efekt. Zmieniaj jedną część scenariusza naraz i zachowaj ujęcie, które służy montażowi.

Rozmieszczenie znaczników i przykłady znajdziesz w poradniku znaczników audio Eleven v3. Pełniejszy proces montażu opisuje lektor AI do filmów na YouTube; alternatywę w planie Free znajdziesz w poradniku MiniMax Speech. Gdy starszy poradnik podaje inne wartości, stosuj aktualne limity i koszty z tabeli powyżej.