Eleven v4 beruht nach ElevenLabs auf einer neuen Architektur und soll Tonfall, Tempo und Emotion aus dem Kontext eines Textes ableiten. Regieanweisungen lassen sich in natürlicher Sprache oder als eingebettete Tags wie [laughs] oder [light rain] setzen; das Modell befolge sie genauer als seine Vorgänger. Es unterstützt mehr als 90 Sprachen statt gut 70 bei v3 und soll in Dialogen mehrere Sprecher konsistenter auseinanderhalten.
Die Rangliste von Artificial Analysis beruht auf Blindvergleichen, in denen Nutzer zwischen zwei Sprachproben wählen. Für Eleven v4 lagen 1.693 Stimmen vor, das 95-Prozent-Intervall beträgt ±18 Punkte; es überschneidet sich nicht mit dem von Sonic 3.6. Die eigenen Hörtests, in denen rund 75 Prozent v4 gegenüber Konkurrenzmodellen bevorzugten, sind Anbieterangaben. Die Rangfolge ist eine Momentaufnahme einer laufenden Erhebung.
v4 Turbo ist für Sprachagenten gedacht. ElevenLabs nennt rund 100 Millisekunden mittlere Rechenzeit und rund 150 Millisekunden bis zur ersten Sprachausgabe, beides selbst gemessen. Turbo kostet 40 Dollar je Million Zeichen, so viel wie die bisherige Echtzeit-Variante v3 Conversational, für die ElevenLabs rund 280 Millisekunden angibt. Bis zum 12. Oktober 2026 gewährt ElevenLabs 72 Prozent Rabatt auf beide Preise.