¿Qué es Eleven v4?
Eleven v4 es la cuarta generación del modelo de voz de ElevenLabs, una de las empresas de voz con IA más conocidas, y la compañía lo describe en su página de documentación de Eleven v4 como "the first in a new generation of models".
Según el artículo de lanzamiento, funciona con una arquitectura completamente nueva que lee un guion como lo haría un actor de voz, atendiendo a quién habla y a lo que acaba de ocurrir antes de decidir cómo debe sonar una línea.
Yo construyo agentes de IA en eesel (la plataforma de compañeros de IA), y el equipo lleva años poniendo IA en colas de soporte reales, así que cuando llega un lanzamiento así solo quiero saber una cosa: ¿qué cambia para quien tiene que llevarlo a producción? Respuesta corta: v4 es un salto real, pero también una migración, no un reemplazo directo.
Según la referencia de modelos, hay dos variantes:
- Eleven v4 (
eleven_v4): el modelo de calidad. Límite de 10.000 caracteres (unos 10 minutos de audio), diálogo con varios locutores, servido a través de la API de Text to Dialogue. - Eleven v4 Turbo (
eleven_v4_turbo): el modelo en tiempo real, con una latencia de inferencia mediana de ~100 ms, servido a través del WebSocket de Text to Dialogue y dentro de ElevenAgents.
Según el changelog del 28 de septiembre, puedes usar ambos hoy en ElevenCreative (la aplicación web), en ElevenAgents y en la API. ElevenLabs también publicó un breve recorrido para desarrolladores, por si prefieres el vídeo.
¿Qué cambió realmente respecto a v3?
La expresividad y la precisión de clonación se llevan los titulares. Pero los detalles con los que de verdad planificas están en la documentación, así que armé esta comparativa a partir de la página de modelos y de la página de precios de la API.
| Eleven v3 | Eleven v4 | Eleven v4 Turbo | |
|---|---|---|---|
| Ideal para | Interpretaciones dramáticas | Audiolibros, locuciones, doblaje | Agentes de voz, apps interactivas |
| Idiomas | 70+ | 90+ | 90+ |
| Límite de caracteres por solicitud | 5.000 | 10.000 | Streaming |
| Latencia | No es tiempo real | No es tiempo real | ~100 ms de inferencia mediana |
| Precio de lista de la API por 1.000 caracteres | 0,08 $ | 0,08 $ | 0,04 $ |
| Professional Voice Clones | No totalmente optimizados | Compatible | Compatible |
| Controles de Style y Speed | Sí | No | No |
| SSML | No | No | No |
| Elo en la arena (Artificial Analysis) | 1174 | 1321 | 1334 |
Algunos de estos puntos necesitan más espacio del que da una celda de tabla.
Los Professional Voice Clones vuelven. Según la página de buenas prácticas de v3, los PVC no estaban totalmente optimizados para v3, por eso los equipos con un costoso clon profesional solían quedarse en modelos anteriores. La guía de buenas prácticas ahora dirige esas voces directamente a v4. Hay una salvedad: la documentación dice que la compatibilidad con PVC "is currently rolling out to everyone", así que algunas cuentas todavía pueden estar esperando.
Los clones instantáneos necesitan menos audio. El artículo de lanzamiento dice que los Instant Voice Clones capturan una voz con "just 10 seconds of audio", aunque la documentación sigue recomendando uno o dos minutos si quieres un resultado sólido.
Lo largo es más estable. ElevenLabs asegura que el request stitching (encadenar generaciones en una pieza más larga) es "significantly more reliable", y quienes más lo notarán son los productores de audiolibros que trabajan en Studio.
Solo quedan dos controles. Stability y Similarity siguen en v4. Style y Speed no, así que la dirección ahora vive en el propio guion, como etiquetas de audio del tipo [whispers] o [sighs].
Por qué Turbo es la opción que la mayoría debería elegir
Esto fue lo que me sorprendió. Cabría esperar que el modelo de "calidad" venciera en calidad al "rápido". En la Provider Voice Arena de Artificial Analysis, donde los oyentes eligen el más natural de dos clips sin saber qué modelo los generó, ocurre al revés:
- Eleven v4 Turbo: 1334 Elo con 1.645 votos, 40 $ por 1 M de caracteres.
- Eleven v4: 1321 Elo con 1.930 votos, 80 $ por 1 M de caracteres.
- Qwen-Audio-3.1-TTS-Plus: 1292 Elo, 19,30 $ por 1 M de caracteres.
- Cartesia Sonic 3.6: 1278 Elo, 49 $ por 1 M de caracteres.
- Gemini 3.8 Flash TTS: 1275 Elo, 16,50 $ por 1 M de caracteres.
Los dos modelos v4 se solapan dentro de sus rangos de confianza (ambos están en la banda de rango "1-2"), así que la lectura justa es que Turbo iguala al modelo completo en naturalidad de clips cortos a la mitad del precio. El modelo completo se gana su precio en cosas que la arena no prueba, como el límite de 10.000 caracteres y mantener el contexto de escena a lo largo de un guion extenso. Unir un capítulo entero sin deriva es otra.
La diferencia con v3 también se sostiene y no es un redondeo de marketing. v3 está en 1174 en el mismo tablero, 147 puntos por debajo de v4, y en una escala Elo eso significa que los oyentes prefieren v4 la mayor parte del tiempo. Las pruebas propias de ElevenLabs afirman que v4 fue preferido por ~75 % de los oyentes frente a Cartesia Sonic 3.6, Inworld TTS-2 y dos modelos TTS de Gemini 3.8, según las notas al pie del artículo de lanzamiento. Lo trataría como una afirmación del proveedor y me apoyaría en las cifras de la arena como verificación independiente.
Mi regla práctica es Turbo por defecto, y el modelo completo solo cuando una única solicitud tiene que sostener minutos de narración continua.
¿Comparando proveedores? Mis artículos Cartesia Sonic 3 vs ElevenLabs y la reseña de Gemini 3.8 Flash TTS cubren los dos nombres siguientes de ese tablero.
El artículo sobre los precios de Gemini 3.8 Flash TTS explica por qué Google recorta los costes de todos. Hay una lista más amplia en alternativas a ElevenLabs.
¿Qué modelo de Eleven encaja con tu proyecto?
Elige lo que estás construyendo. Los precios son tarifas de lista de la API por cada 1.000 caracteres.
Cómo cambia el acento nativo las voces multilingües
La documentación lo señala como uno de los mayores cambios de v4. Y es el que más probablemente pille desprevenido a un cliente existente.
Una voz clonada en v3 llevaba su acento consigo a otros idiomas. v4 lo divide en dos casos. Si el idioma de salida coincide con el idioma propio de la voz, el acento se conserva; si no, v4 produce un habla fluida con acento nativo del idioma de destino. La documentación da este ejemplo: clonas a un hablante coreano, generas en inglés y obtienes un inglés natural, no un inglés con acento coreano.
Es una gran mejora para el doblaje y para los agentes que atienden a llamantes en varios idiomas, ya que una misma voz de marca puede sonar local en todas partes. Pero si tu voz es el acento, es un retroceso. ElevenLabs reconoce abiertamente que un interruptor es "still a research project" y sin plazo.
No todos los primeros usuarios coinciden en que funcione como se describe. En el hilo del subreddit oficial, un comentarista se topó con el problema opuesto:
"In English it's good but the American accent bleeds terribly into other languages."
Otra persona quería que el control del acento se fijara a nivel de voz en lugar de por línea. Para quien produce una serie larga, es una petición razonable:
"I want accent/dialects to be encoded at the voice level, not have to prompt for it in every single line. It is really impossible to keep a stable idiolect that way and generic [Scottish] or whatever can still come out a million ways."
En la práctica: si gestionas soporte al cliente multilingüe con un agente de voz, genera un guion de prueba en cada uno de tus principales idiomas antes de cambiar. Según el artículo de Turbo en agentes, las mayores mejoras se dieron en japonés, portugués de Brasil, mandarín y cantonés, así que son buenos para probar primero.
¿Sonarán igual mis voces clonadas?
Probablemente no, y ElevenLabs lo admite. v4 reproduce la voz original con más exactitud (timbre, cadencia, volumen, incluso los defectos de grabación), de modo que un clon en v4 "may sound quite different from its Eleven v3 version", según las preguntas frecuentes de v4. Hay además una frase en la documentación que querría que todo responsable de audio leyera dos veces: la exactitud y la preferencia personal no siempre son lo mismo.
Eso tiene dos efectos en cadena:
- Tu audio de entrenamiento importa más. v4 copia fielmente las plosivas, la sibilancia áspera y también los saltos de volumen. Los clips de muestra de la página de documentación se dejan sin retocar a propósito para mostrarlo. Si tu clon procede de una grabación ruidosa, vuelve a grabarla antes de culpar al modelo.
- Las voces de la biblioteca pueden cambiar sin avisar. Los usuarios de ElevenReader (la app de escucha) notaron que las voces cambiaban a mitad de un libro. A algunos les encantó y a otros no.
"In ElevenReader it genuinely blew me away. I didn't even know the update was coming, but suddenly my narrator sounded like an actual real human was reading my book to me."
Los creadores que habían ajustado una voz para una entrega concreta y contenida lo vieron al revés:
"I'm actually having big issues with v4 its super expressive but for my niche its too damn theatrical and you cannot make certain voices be straight/monotone while speaking..."
Hay un asterisco más discreto para las voces de Voice Design (las generadas a partir de una descripción de texto). La documentación dice que funcionan en v4 pero "may not be as performative or sound as good as with earlier models".
¿Cómo funcionan las etiquetas de audio y los prompts en v4?
Como los controles de Style y Speed han desaparecido, la dirección tiene que venir del guion. Escribes etiquetas en línea, como [whispers], [sighs], [laughs harder], o indicaciones de sonido como [door slams] y [light rain], y v4 las sigue "more reliably than v3", según la página de v4. ElevenLabs también tiene una lista de etiquetas de audio con más de 50 ejemplos.
Algunas notas de la guía de prompts que pueden ahorrarte una o dos regeneraciones:
- Sin SSML. Ni v4 ni v3 admiten las etiquetas de pausa de SSML, así que es un cambio si vienes de una API de voz anterior. Usa puntos suspensivos y saltos de línea, o etiquetas como
[short pause]o[long pause]. - Las etiquetas pueden leerse como efectos de sonido. v4 genera efectos de sonido además de voces, así que una etiqueta vaga puede salir como un ruido. La documentación sugiere algo más descriptivo, como
[low, gravelly voice]. - Las etiquetas funcionan mejor dentro del rango de la voz. Una voz que nunca susurró en sus datos de entrenamiento aún puede seguir
[whispering], pero "the result may not be optimal". - La pronunciación IPA ahora es nativa. Envuelves los símbolos IPA entre barras directamente en el texto, sin etiquetas XML de fonemas. Es útil para nombres de medicamentos, de productos o de lugares que un agente de voz de soporte tiene que pronunciar bien.
De todas las quejas que vi, la del control Speed ausente fue la más repetida. Un creador escribió que v4 "does seem to be speaking much faster (there isn't a slider in the voice settings to control that)" en el mismo hilo de Reddit, y el moderador del subreddit lo trasladó como comentario. Hasta que eso cambie, el ritmo se gestiona al escribir, con frases más cortas y etiquetas de pausa explícitas.
¿Cuánto cuesta Eleven v4?
A precio de lista en la API, Eleven v4 cuesta lo mismo que v3 y Turbo equivale a v3 Conversational. Por ahora también hay un descuento de lanzamiento del 72 % hasta el 12 de octubre de 2026, según la página de precios de la API.
| Modelo | Precio de lista por 1.000 caracteres | Precio de lanzamiento (hasta el 12 oct.) | Latencia | Límite de caracteres |
|---|---|---|---|---|
| Eleven v4 | 0,08 $ | 0,022 $ | No es tiempo real | 10.000 |
| Eleven v4 Turbo | 0,04 $ | 0,011 $ | ~100 ms | Streaming |
| Eleven v3 | 0,08 $ | n/a | No es tiempo real | 5.000 |
| Eleven v3 Conversational | 0,04 $ | n/a | ~280 ms | Streaming |
| Flash v2.5 | 0,04 $ | n/a | ~75 ms | 40.000 |
En la aplicación web, v4 consume del mismo fondo mensual de créditos que todo lo demás. Los planes actuales en la página de precios de ElevenCreative son Free (0 $, 10.000 créditos), Starter (6 $, 30.000), Creator (22 $, 121.000), Pro (99 $, 600.000), Scale (299 $, 1,8 M) y Business (990 $, 6 M). Las preguntas frecuentes de precios sitúan Text to Speech en aproximadamente 1 crédito por carácter. También hay una promoción de lanzamiento para planes Creator y superiores en la que el uso de v4 hasta 2 veces tus créditos mensuales de TTS no se descuenta de tu saldo en las apps web y móvil. Curiosamente, el banner y la sección de la promoción en esa página no coinciden en si es 2x o 3x, así que comprobaría tu propio saldo antes de planificar con ello. Mi guía de precios de ElevenLabs repasa cada nivel, y el artículo de opiniones sobre ElevenLabs recoge lo que dicen los usuarios de pago sobre el sistema de créditos.
Un ejemplo práctico. Un usuario de Reddit preguntó cuánto costaría un audiolibro de 8 horas, así que aquí van las cuentas. La documentación calcula 10.000 caracteres en unos 10 minutos de audio, lo que sitúa 8 horas en unos 480.000 caracteres:
- Eleven v4 en la API a precio de lista: 480 × 0,08 $ = 38,40 $
- Eleven v4 al precio de lanzamiento: 480 × 0,022 $ = 10,56 $
- Eleven v4 Turbo a precio de lista: 480 × 0,04 $ = 19,20 $
- En la app: unos 480.000 créditos, que caben en los 600.000 del plan Pro por 99 $/mes.
Los agentes de voz no se facturan por carácter. Los precios de ElevenAgents funcionan por minuto de llamada, con planes desde Free (15 minutos) hasta Business (990 $ por 12.375 minutos), minutos adicionales a 0,08 $ cada uno y el LLM cobrado aparte. Desgloso las mismas cuentas en el resumen de los mejores agentes de voz con IA.
¿Deberías poner Eleven v4 Turbo en tu línea de soporte?
ElevenLabs apunta claramente Turbo al servicio al cliente. El artículo de lanzamiento de ElevenAgents habla de agentes que suenan "apologetic about a missed delivery, brisk when someone just wants a confirmation", y en la página de v4 se cita al equipo de Agentforce Voice de Salesforce elogiando las "faster, more natural responses" de Turbo.
Además llega en un mes saturado: GPT-Live-1 de OpenAI, Grok Voice Think Fast 2 de xAI y Decagon Voice 3 apuntan todos a las mismas llamadas de soporte.
Salesforce también tiene su propia historia con su agente de voz con IA. Para quien llama, es una mejora real, ya que un bot monótono leyendo una política de reembolsos es parte de por qué la gente aprieta el cero para hablar con una persona. Lo que un lanzamiento de TTS no puede arreglar es la respuesta en sí. La voz lee lo que produjo el agente, y una voz maravillosamente compasiva que confirma el plazo de reembolso equivocado sigue estando equivocada, solo que ahora suena más convincente.
Años observando IA en colas de soporte reales apuntan a la misma lección. La precisión viene de lo que sabe el agente (tu centro de ayuda, macros y tickets anteriores) y de probarlo antes de que lo hagan los clientes, por eso cada despliegue de eesel se simula primero con tickets históricos. Si estás preseleccionando plataformas de voz, mis guías de agentes de IA para call center, Retell AI y Vapi comparan cómo gestiona cada una el conocimiento y el traspaso, además de las integraciones con helpdesk.
Mi resumen de soporte por voz las pone todas lado a lado.
La voz es además una porción más pequeña del soporte de lo que parece. La mayoría de los equipos sigue recibiendo el grueso de su volumen por tickets y chat, así que ahí es donde aparecen primero los problemas de calidad de respuesta. Si ya usas Zendesk, sus agentes de IA de voz y una capa de atención al cliente con IA para la cola de tickets pueden compartir el mismo conocimiento.
Prueba eesel para las respuestas que hay detrás de la voz
eesel es una plataforma de compañeros de IA, y el compañero de IA para helpdesk es el creado justo para este problema. Se une a tu cola existente de Zendesk, Freshdesk o Gorgias, aprende de tus tickets anteriores y de tu centro de ayuda, y redacta o envía respuestas con el tono de tu equipo. Antes de tocar a un cliente real, puedes ejecutarlo en simulación sobre tus tickets históricos para ver qué habría dicho.
Para ser honestos con el alcance: eesel hoy es principalmente de texto, trabaja tickets y chat, no audio telefónico. Un equipo de soporte que usa eesel me dijo que el soporte de grabación de voz "would significantly increase our usage", por eso está en el radar. Si combinas una plataforma de voz con Eleven v4 Turbo, eesel cubre el lado de tickets del mismo conocimiento, y la CLI de eesel (más en esta guía de CLI para agentes de IA) permite que un script o un agente de programación como Claude Code actualice ese conocimiento y pruebe respuestas desde la terminal, para que ambos canales se mantengan sincronizados. Los planes empiezan gratis con 100 créditos en la página de precios, y cada ticket o chat gestionado consume un crédito.
Prueba eesel y mira cómo maneja los tickets del mes pasado antes de decidir nada.
Preguntas frecuentes
¿Qué es Eleven v4?
eleven_v4 para contenido y eleven_v4_turbo para uso en tiempo real, cubre más de 90 idiomas y recupera la compatibilidad con Professional Voice Clone que v3 no tenía.