Um bom vídeo com avatar de IA ainda pode falhar em um ponto: uma voz que apenas lê o roteiro em vez de interpretá-lo. A sincronia labial está correta, o enquadramento está correto, mas a entonação soa igual da primeira à última frase.
Essa é a lacuna que a ElevenLabs se propôs a preencher com o Eleven v4, lançado em 28 de setembro de 2026. O AI Studios agora opera com ele. Abaixo, veja o que o modelo muda, o que isso significa para os vídeos que você cria no AI Studios e como escrever roteiros para aproveitar ao máximo essa tecnologia.
O que é o Eleven v4 da ElevenLabs?
O Eleven v4 é o mais novo modelo de conversão de texto em fala da ElevenLabs. O foco é a performance: interpretar o tom, o ritmo, a emoção e o caráter do roteiro, em vez de apenas pronunciar as palavras.
Ele é disponibilizado em duas versões. O Eleven v4 é o modelo completo para produção de conteúdo. O Eleven v4 Turbo compartilha a mesma arquitetura, mas é otimizado para velocidade, voltado para agentes de voz em tempo real.
Alguns números divulgados pela ElevenLabs no lançamento:
- Classificado em primeiro lugar no ranking de conversão de texto em fala da Artificial Analysis (setembro de 2026)
- Preferido por cerca de 75% dos ouvintes em testes cegos comparativos contra modelos concorrentes
- Tempo médio de cerca de 150 ms para a primeira fala audível no v4 Turbo
Uma mudança prática para roteiristas: o v4 abandona a marcação estilo SSML. As instruções são escritas diretamente no texto como tags em linguagem simples, como [risos], [sussurra] ou [chuva leve].
Cinco melhorias no v4
1. Uma gama mais ampla de tags de emoção
O v4 entende mais instruções e as segue de forma mais confiável do que o v3, especialmente quando várias tags aparecem em sequência. Você pode ir além das emoções básicas e usar indicações de interpretação como [dito com raiva em sotaque francês] ou efeitos sonoros como [porta batendo].
2. Mais de 90 idiomas
O suporte a idiomas agora abrange mais de 90 línguas. A mesma voz pode falar cada uma delas com um sotaque natural, mantendo o ritmo e a emoção, sem que se percam na tradução.
3. O mesmo locutor soa como o mesmo locutor
Modelos anteriores podiam apresentar variações: uma voz que soava ligeiramente diferente de um parágrafo para outro, ou de um vídeo para outro. O v4 mantém a voz do locutor estável e sem distorções, inclusive em diálogos com vários personagens.
4. Roteiros longos permanecem conectados
A v4 lê um roteiro como um todo, não como frases isoladas. A costura de contexto mantém o tom e o ritmo consistentes em áudios longos, para que um módulo de treinamento de 10 minutos não pareça 40 clipes separados unidos.
5. 150 ms para a primeira fala
No v4 Turbo, o tempo médio até a primeira fala audível é de cerca de 150 ms, com aproximadamente 100 ms de latência de inferência. A ElevenLabs aponta que os concorrentes levam de 262 a 814 ms. Essa diferença é o que torna possível uma interação natural em conversas.
O que muda no AI Studios
Duas coisas mudam para os usuários do AI Studios.
As tags de emoção agora funcionam na v4. Até agora, roteiros com tags de emoção no AI Studios eram dublados com a Eleven v3. Eles agora rodam na v4, então você obtém uma gama maior de tags e um acompanhamento de tags mais confiável, sem precisar mudar sua forma de escrever.
As vozes permanecem consistentes. Quando o mesmo avatar e voz aparecem em uma série, seja um curso, uma demonstração de produto ou atualizações semanais, a voz se mantém estável de cena para cena e de vídeo para vídeo. Os espectadores ouvem um único apresentador, não uma aproximação.
Como escrever um roteiro com tags de emoção
As tags funcionam melhor como direção para um ator, não como decoração. Coloque-as logo antes da frase que devem afetar e use-as onde a entrega deve mudar.
Um roteiro simples:
Welcome back. Last week we covered onboarding. Today we're looking at the one mistake almost every new team makes.
O mesmo roteiro com direção:
[warmly] Welcome back. Last week we covered onboarding.
[pauses] [lowers voice] Today we're looking at the one mistake almost every new team makes.
Alguns hábitos que ajudam:
- Marque a mudança, não cada linha. Se o roteiro inteiro for caloroso, uma marcação no início é suficiente.
- Seja específico. [suspira, aliviado] dá ao modelo mais contexto para trabalhar do que [feliz].
- Mantenha os roteiros completos. Como a v4 lê o contexto de todo o roteiro, colar o texto completo proporciona um ritmo melhor do que dividi-lo em cenas curtas.
- Ouça uma vez, ajuste uma vez. Visualize a primeira cena antes de gerar o vídeo completo.
Onde a diferença aparece
Perguntas frequentes
O que é o ElevenLabs v4?
O Eleven v4 é o modelo de conversão de texto em fala mais recente do ElevenLabs, lançado em 28 de setembro de 2026. Ele foca em uma entrega expressiva, suporta mais de 90 idiomas e conta com uma versão Turbo de baixa latência.
O AI Studios usa o ElevenLabs v4?
Sim. Roteiros que utilizam tags de emoção no AI Studios agora são dublados com o Eleven v4 em vez da v3.
Preciso alterar meus roteiros existentes?
Não. As tags que você já usa continuam funcionando. A v4 as segue de forma mais confiável e oferece suporte a uma gama mais ampla.
O que são tags de emoção?
Instruções curtas entre colchetes, como [risos] ou [sussurros], inseridas no roteiro para definir como uma fala deve ser interpretada.
Quantos idiomas a Eleven v4 suporta?
Mais de 90, sendo que a mesma voz é capaz de falar cada um deles com um sotaque natural.
Experimente no seu próximo roteiro
A maneira mais fácil de notar a diferença é pegar um roteiro que você já produziu, adicionar duas ou três tags onde a entonação deve mudar e gerar o áudio novamente. Abra o AI Studios e comece seu próximo vídeo.
Fontes
- Eleven v4: Nosso modelo de IA de conversão de texto em fala mais expressivo até agora (Blog da ElevenLabs)
- Página do produto Eleven v4 (ElevenLabs)
- ElevenLabs lança Eleven V4 com variante Turbo de baixa latência (Unite.AI)
