ElevenLabs lança modelos de voz v4, agora em mais de 90 idiomas

A ElevenLabs lançou na segunda-feira dois novos modelos de voz, o ElevenLabs v4 e o v4 Turbo, que trazem mais controle de expressão, menor latência para agentes de voz e suporte a mais de 90 idiomas. A empresa lançou seu modelo v3 no ano passado e apresentou a nova geração em um evento em Varsóvia no início deste ano. Para o v4, a ElevenLabs adotou uma nova arquitetura que permite mais controle e clonagem mais rápida — com o v4, segundo a empresa, os usuários poderão clonar uma voz com apenas 10 segundos de áudio.

No lado criativo, o modelo lida melhor com a identidade da voz em trechos de texto mais longos e mantém o contexto do texto em mente ao lê-lo em voz alta, ajustando a expressão de acordo. A ElevenLabs introduziu marcações inline para definir a expressão no v3; o v4 amplia essas marcações, permitindo que os usuários combinem várias marcações e façam o modelo seguir a sequência. A versão anterior suportava 70 idiomas; o v4 eleva esse número para mais de 90, com os maiores ganhos de qualidade em japonês, português brasileiro, mandarim e cantonês.

A ElevenLabs expandiu rapidamente seu negócio de chamadas empresariais no último ano, com mais de 55% do faturamento vindo hoje de grandes empresas, e a empresa afirma que o v4 foi criado para agentes de voz: a nova versão tem latência menor para conversas mais fluidas e pode começar a gerar áudio assim que o LLM por trás dela começa a gerar sua resposta. O modelo também consegue lidar de forma diferente com confrontos, escaladas e esperas, para melhorar a resolução de problemas. A concorrência em modelos de voz se intensificou, com startups como Cartesia, Deepgram, Fish Audio, Boson e WellSaid Labs construindo seus próprios modelos de voz expressivos, enquanto Google e OpenAI também aprimoraram seus modelos de voz.

A ElevenLabs captou US$ 500 milhões no início deste ano em uma rodada liderada pela Sequoia que avaliou a empresa em US$ 11 bilhões; já há rumores de uma nova rodada que a avaliaria em US$ 22 bilhões. A receita recorrente anualizada da empresa subiu de cerca de US$ 330 milhões no início do ano para mais de US$ 600 milhões, e seu quadro de funcionários já passa de 800, com contratações agressivas em mercados como Índia, Europa e Brasil. Em entrevista recente ao TechCrunch, o cofundador e CEO Mati Staniszewski disse que a empresa está mirando um IPO “nos próximos anos”, mas não se comprometeu com um prazo.

Por que importa

A ElevenLabs aposta que a latência dos agentes de voz e a amplitude de idiomas — não apenas o realismo da voz — vão decidir quem fica com os contratos empresariais de chamadas, com os maiores ganhos de qualidade do v4 concentrados justamente no português brasileiro e em outros idiomas não ingleses usados pelos próprios leitores da Technopolis.