Eleven V4

En qué destaca Eleven V4 y dónde no

Eleven V4 es la respuesta de ElevenLabs a la parte más difícil de la locución sintética: la interpretación. La mayoría del texto a voz lee bien las palabras; pocos las dicen como un actor. ElevenLabs lanzó Eleven v4 en septiembre de 2026 sobre una nueva arquitectura y lo presenta como su modelo más emotivo hasta la fecha.

Su capacidad estrella es la dirección dentro del guion. Escribe etiquetas como [laughs], [whispers] o [sighs] justo donde deben ocurrir y v4 las interpreta en orden, con más fiabilidad que v3, de modo que una sola línea puede empezar tranquila, romper en una risa y bajar a un susurro. Ese rango emocional se mantiene en más de 90 idiomas, lo que hace viable localizar la misma interpretación para varios mercados con la misma voz.

Viene en dos versiones. Standard es la más expresiva y la opción correcta para locuciones finales. Turbo mantiene casi la misma interpretación, devuelve el audio más rápido y cuesta mucho menos, así que es el valor por defecto sensato para narraciones largas, borradores y trabajo de gran volumen. En ZOOOP eliges entre 20 voces seleccionadas y ajustas la estabilidad (Stability): más baja para una lectura más viva y variada, más alta para que cada línea de un guion largo suene coherente.

Dónde es más débil: cada generación admite hasta 5.000 caracteres, así que los guiones largos hay que dividirlos en secciones. No hay un campo de estilo aparte; la dirección va en el texto como etiquetas. Si prefieres mantener el guion limpio y describir la entrega por separado («cálido y lento», «un noticiero dramático»), Gemini 3.8 Flash TTS está pensado así. La clonación de voz no está disponible en Eleven V4 en ZOOOP.

Un modelo mental razonable: haz de Eleven V4 tu opción por defecto para narración y voces de personajes, Standard para la mezcla final y Turbo para borradores y lecturas largas. Recurre a Gemini 3.8 Flash TTS cuando quieras instrucciones de estilo, a Multilingual V3 para mantener la coherencia con un proyecto v3 existente y a Kling Avatar V2 para convertir la voz en un vídeo parlante.