Một video AI avatar chất lượng vẫn có thể trở nên nhạt nhẽo nếu giọng đọc chỉ đơn thuần là đọc kịch bản thay vì diễn đạt nó. Khớp môi chuẩn, khung hình đẹp, nhưng cách truyền tải lại đều đều từ đầu đến cuối.
Đó chính là khoảng cách mà ElevenLabs muốn xóa bỏ với Eleven v4, ra mắt vào ngày 28 tháng 9 năm 2026. AI Studios hiện đã được tích hợp công nghệ này. Dưới đây là những thay đổi của mô hình, ý nghĩa của nó đối với các video bạn tạo trong AI Studios và cách viết kịch bản để tận dụng tối đa tính năng này.
ElevenLabs Eleven v4 là gì?
Eleven v4 là mô hình chuyển văn bản thành giọng nói mới nhất của ElevenLabs. Trọng tâm của nó là khả năng trình diễn: nắm bắt tông giọng, nhịp điệu, cảm xúc và tính cách từ kịch bản, thay vì chỉ phát âm các từ ngữ.
Mô hình này có hai phiên bản. Eleven v4 là phiên bản đầy đủ tính năng dành cho nội dung sản xuất. Eleven v4 Turbo chia sẻ cùng kiến trúc nhưng được tối ưu hóa về tốc độ, hướng tới các tác nhân giọng nói thời gian thực.
Một vài con số mà ElevenLabs đã công bố khi ra mắt:
- Xếp hạng nhất trên bảng xếp hạng chuyển văn bản thành giọng nói của Artificial Analysis (tháng 9 năm 2026)
- Được khoảng 75% người nghe ưa chuộng trong các bài kiểm tra mù so sánh trực tiếp với các mô hình cạnh tranh
- Thời gian phản hồi trung bình khoảng 150 ms để bắt đầu phát âm thanh trên v4 Turbo
Một thay đổi thực tế cho người viết kịch bản: v4 loại bỏ định dạng kiểu SSML. Chỉ dẫn được viết trực tiếp dưới dạng thẻ ngôn ngữ tự nhiên, chẳng hạn như [cười], [thì thầm] hoặc [mưa nhẹ].
Năm điểm cải tiến trong v4
1. Phạm vi thẻ cảm xúc rộng hơn
v4 hiểu nhiều chỉ dẫn hơn và thực hiện chúng chính xác hơn so với v3, đặc biệt là khi có nhiều thẻ xuất hiện liên tiếp. Bạn có thể vượt ra ngoài các cảm xúc cơ bản để thêm các gợi ý truyền tải như [nói giận dữ bằng giọng Pháp] hoặc các gợi ý âm thanh như [tiếng cửa đóng sầm].
2. Hơn 90 ngôn ngữ
Hỗ trợ ngôn ngữ hiện đã bao phủ hơn 90 ngôn ngữ. Cùng một giọng nói có thể nói từng ngôn ngữ với chất giọng bản địa, đồng thời nhịp điệu và cảm xúc được giữ nguyên thay vì bị phẳng hóa khi dịch.
3. Giọng nói của cùng một người vẫn giữ được sự nhất quán
Các mô hình trước đây có thể bị lệch: giọng nói nghe hơi khác biệt giữa các đoạn văn hoặc giữa các video. v4 giữ cho giọng nói của người nói ổn định mà không bị biến dạng, kể cả trong các đoạn hội thoại có nhiều người nói.
4. Giữ kết nối cho các kịch bản dài
v4 đọc kịch bản như một tổng thể, thay vì các câu rời rạc. Tính năng kết nối ngữ cảnh giúp duy trì tông giọng và nhịp điệu nhất quán trong các nội dung âm thanh dài, nhờ đó một mô-đun đào tạo dài 10 phút sẽ không nghe giống như 40 đoạn clip riêng lẻ ghép lại.
5. 150 ms để bắt đầu phát âm thanh
Trên v4 Turbo, thời gian trung bình để bắt đầu nghe thấy tiếng nói là khoảng 150 ms, với độ trễ suy luận khoảng 100 ms. ElevenLabs ghi nhận các đối thủ cạnh tranh đạt từ 262 đến 814 ms. Khoảng cách đó chính là yếu tố giúp các cuộc hội thoại qua lại trở nên tự nhiên.
Những thay đổi trong AI Studios
Có hai thay đổi dành cho người dùng AI Studios.
Các thẻ cảm xúc hiện đã được hiển thị trên v4. Trước đây, các kịch bản có thẻ cảm xúc trong AI Studios được lồng tiếng bằng Eleven v3. Giờ đây, chúng chạy trên v4, vì vậy bạn có thể sử dụng phạm vi thẻ rộng hơn và khả năng tuân thủ thẻ đáng tin cậy hơn mà không cần thay đổi cách viết.
Giọng nói luôn nhất quán. Khi cùng một hình đại diện và giọng nói xuất hiện trong một loạt video, dù đó là khóa học, hướng dẫn sản phẩm hay cập nhật hàng tuần, giọng nói vẫn giữ nguyên từ cảnh này sang cảnh khác và từ video này sang video khác. Người xem sẽ nghe thấy một người thuyết trình duy nhất, chứ không phải một phiên bản gần giống.
Cách viết kịch bản với thẻ cảm xúc
Các thẻ hoạt động hiệu quả nhất khi đóng vai trò là chỉ dẫn cho diễn viên, không phải để trang trí. Hãy đặt chúng ngay trước dòng thoại cần áp dụng và sử dụng chúng ở những nơi cần thay đổi cách truyền đạt.
Một kịch bản thông thường:
Welcome back. Last week we covered onboarding. Today we're looking at the one mistake almost every new team makes.
Cùng một kịch bản với chỉ dẫn:
[warmly] Welcome back. Last week we covered onboarding.
[pauses] [lowers voice] Today we're looking at the one mistake almost every new team makes.
Một vài thói quen hữu ích:
- Chỉ gắn thẻ những chỗ thay đổi, không cần gắn thẻ từng dòng. Nếu toàn bộ kịch bản có cùng tông giọng, chỉ cần một thẻ ở đầu là đủ.
- Hãy cụ thể. [thở phào nhẹ nhõm] giúp mô hình có nhiều dữ liệu để xử lý hơn là [vui vẻ].
- Giữ nguyên vẹn kịch bản. Vì v4 đọc ngữ cảnh xuyên suốt toàn bộ kịch bản, việc dán toàn bộ văn bản sẽ mang lại nhịp điệu tốt hơn là chia nhỏ thành các cảnh ngắn.
- Nghe một lần, điều chỉnh một lần. Xem trước cảnh đầu tiên trước khi tạo toàn bộ video.
Sự khác biệt nằm ở đâu
Câu hỏi thường gặp
ElevenLabs v4 là gì?
Eleven v4 là mô hình chuyển văn bản thành giọng nói mới nhất của ElevenLabs, được ra mắt vào ngày 28 tháng 9 năm 2026. Mô hình này tập trung vào khả năng truyền tải cảm xúc, hỗ trợ hơn 90 ngôn ngữ và đi kèm với phiên bản Turbo có độ trễ thấp.
AI Studios có sử dụng ElevenLabs v4 không?
Có. Các kịch bản sử dụng thẻ cảm xúc trong AI Studios hiện đã được lồng tiếng bằng Eleven v4 thay vì v3.
Tôi có cần thay đổi các kịch bản hiện có của mình không?
Không. Các thẻ bạn đang sử dụng vẫn hoạt động bình thường. v4 tuân thủ các thẻ đó chính xác hơn và hỗ trợ phạm vi rộng hơn.
Thẻ cảm xúc là gì?
Là các chỉ dẫn ngắn gọn nằm trong dấu ngoặc vuông, ví dụ như [cười] hoặc [thì thầm], được đặt trong kịch bản để định hình cách diễn đạt một câu thoại.
Eleven v4 hỗ trợ bao nhiêu ngôn ngữ?
Hơn 90 ngôn ngữ, với cùng một giọng nói có thể nói từng ngôn ngữ bằng chất giọng tự nhiên như người bản xứ.
Hãy thử với kịch bản tiếp theo của bạn
Cách dễ nhất để thấy sự khác biệt là lấy một kịch bản bạn đã thực hiện, thêm hai hoặc ba thẻ vào những chỗ cần thay đổi cách diễn đạt, rồi tạo lại. Hãy mở AI Studios và bắt đầu với video tiếp theo của bạn.
Nguồn
- Eleven v4: Mô hình AI chuyển văn bản thành giọng nói biểu cảm nhất của chúng tôi từ trước đến nay (Blog ElevenLabs)
- Trang sản phẩm Eleven v4 (ElevenLabs)
- ElevenLabs ra mắt Eleven V4 với biến thể Turbo độ trễ thấp (Unite.AI)
