Eleven v4 Turbo：聲音更有表情，150 毫秒能讓對話更自然嗎？（2026）

2026 年 9 月 28 日，ElevenLabs 的 Mati Staniszewski 與 Piotr Dabkowski 在官網發布〈Introducing Eleven v4, our most emotive model〉，介紹 Eleven v4 與低延遲版本 Eleven v4 Turbo。最值得拆開看的，是「更有表情」與「更快開口」能否同時成立：前者已有外部聆聽排名，後者目前主要是 ElevenLabs 公布的測試數字。

先還原發布文的主張，再把外部排名和廠商測試分開看，最後回答做配音或語音 Agent 的人該怎麼驗收。

Eleven v4 的核心主張：聲音要理解情境

A line of text can change significantly depending on how it’s spoken.

中文：同一句文字，說話方式不同，意思與感受就可能大幅改變。

ElevenLabs，〈Introducing Eleven v4〉

原文用「請保持冷靜」舉例：醫師安撫病人與遊戲角色向隊友喊話，字面相同，語氣卻不該相同。ElevenLabs 說 v4 會讀取上下文，調整節奏、情緒與角色聲線；創作者也能用方括號音訊標籤指定低語、笑聲或某種說話方式。官方的提示指南確認這種控制方式存在，同時提醒標籤遵循仍會受聲線與用詞影響。

原文還把多說話者對話、跨語言配音、聲線複製與長篇段落銜接列為改進。模型文件列出 v4 家族支援 90 多種語言，以及一般版與 Turbo 版的不同定位。這證實產品範圍；每種語言的口音自然度、長篇聲線穩定性，仍需要在目標內容上聆聽。

「第一名」與「約 75% 偏好」證據不同

截至 2026 年 9 月 30 日，Artificial Analysis 的 Provider Voice Arena將 Eleven v4 列為第一，Elo 1315、1693 個樣本、95% 信賴區間為 ±18；第二名 Cartesia Sonic 3.6 為 1275。這是外部平台的偏好排名，使用各供應商自己的聲音。它支持「在這個聆聽擂台領先」，卻不能直接推成所有語言、每種配音任務都最好；榜上列的是 Eleven v4，並非 Eleven v4 Turbo。

發布文另外說，v4 在盲測中約有 75% 聽眾偏好。上圖把四組對手拆開，勝率介於 65% 與 81%。腳註交代同一句台詞成對比較、平手各算半分，但原文腳註未列受測人數、完整語料與原始判分紀錄，無法僅憑腳註重算。因此「約 75%」應當作ElevenLabs 自行公布的結果，不能拿它當獨立驗證。

Eleven v4 Turbo 的 150 毫秒，不等於整段對話延遲

median time to first speech of ~150ms

中文：在其測試條件下，開始有可聽語音的時間中位數約為 150 毫秒。

ElevenLabs，〈Introducing Eleven v4〉

這張圖的 150 毫秒是 ElevenLabs 在 2026 年 9 月測得的「請求到可聽語音」中位數，Turbo 使用 WebSocket，測量時把各系統的網路延遲扣除。官方模型表另列約 100 毫秒「模型推論延遲」；兩個數字量的是不同邊界，並不互相矛盾。延遲概念文件說明，實際使用者聽到第一聲還受網路往返與播放器緩衝影響；語音 Agent 另有聽寫、輪流發言判斷及語言模型生成的等待。

原文把 Turbo 與 ElevenAgents 當作一起最佳化的系統，這是產品方向，也是供應商對自家系統的主張。要把圖中的速度優勢轉成部署決策，還需要完整測試腳本與跨地區實際通話紀錄；不能把「150 毫秒」寫成每位使用者的端到端回應時間。

我的判讀：真正的門檻在整條聲音工作流

我同意：語氣控制終於成為可選型的能力

配音和客服對話不只要求字句正確。語氣如果錯了，安撫可能變得冷淡，角色對話也會像分開錄好的獨白。v4 的外部偏好排名，足以讓它進入候選名單；音訊標籤與多說話者 API 則讓創作者有可操作的控制點。

我存疑：單一勝率與首聲速度還不能決定上線

擂台上的短音檔偏好、廠商自己的成對盲測，以及語音 Agent 真實對話完成率，是三種不同指標。一次自然的第一句，可能在長篇配音後失去聲線一致性；模型很快開口，也可能在辨識或回話決策階段等太久。v4 與 Turbo 還要分開測，不能把一般版的排名轉給 Turbo。

下一步：用自己的失敗案例決定是否換模型

如果你做有聲書或廣告，拿同一段有情緒轉折的稿，固定聲線、音量與後製條件，比較 v4 與現用模型的咬字、角色一致性和重錄次數。若你做語音 Agent，另外記錄「人說完→系統聽懂→產生回答→第一聲播放」四段時間，並檢查打斷、專有名詞與多語切換。只有作品品質和整段等待都過關，速度宣稱才有實際價值。