Modelos de voz de ElevenLabs: Turbo v4, Conversational v3, Flash v2.5 y Multilingual v2

/agents → tu agente → Voice Pipeline → Synthesized Voice. Cuando la voz seleccionada es una voz de ElevenLabs, su fila incluye un control Model: con cuatro opciones. La voz sigue siendo la misma. El modelo decide cómo se interpreta esa voz: lo expresiva que suena, qué rápido se pone a hablar, qué idiomas puede hablar y cuánto cuesta cada carácter.

El control solo aparece en el pipeline Standard (STT + LLM + TTS) con una voz de ElevenLabs. Los pipelines en tiempo real traen sus propias voces, y los demás proveedores de texto a voz no tienen ningún modelo entre los que elegir.

Los cuatro modelos

«Primer audio» es el tiempo desde que el texto del agente está listo hasta el primer sonido de su voz. Lo medimos en llamadas de prueba en vivo por el camino telefónico real, con el mismo agente, la misma voz, el mismo guion y el mismo modelo de lenguaje en cada llamada. Solo cambiaba el modelo de voz. Cada llamada tenía dos turnos en inglés y dos en chino.

• Turbo v4 fue el más rápido en todas las respuestas. En 21 respuestas se movió entre 0.09 y 0.12 s.
• Flash v2.5 quedó segundo, con 0.11–0.13 s.
• Conversational v3 quedó último, con 0.16–0.20 s.
• El orden nunca cambió entre el inglés y el chino. Ninguno de estos modelos arranca más despacio en un idioma que en otro.

Multilingual v2 está en otra clase. Tardó alrededor de medio segundo en empezar en llamadas de producción, y más de un segundo en las pruebas directas. Ese retraso es suficientemente largo para oírse.

Qué cambia la elección en la velocidad, y qué no

El modelo de voz es una parte pequeña de lo que tarda una respuesta. En las llamadas de arriba, una respuesta completa tardaba sobre todo 1.3–1.7 s, desde que quien llama se calla hasta el primer sonido del agente. La parte del modelo de voz en todo eso era de 0.1–0.2 s. Si tu agente parece lento, cambiar entre Turbo v4, Flash v2.5 y Conversational v3 lo mueve menos de una décima de segundo.

La excepción es Multilingual v2. Añade una pausa notable antes de cada respuesta, así que no lo uses en un agente telefónico en vivo salvo que el sonido te importe más que la espera.

Las respuestas en chino sí tardaban más que las respuestas en inglés, pero la voz no era la causa. El modelo de lenguaje tardaba un poco más en empezar su respuesta. Además, el detector de pausas era más propenso a decidir que quien llamaba en chino no había terminado de hablar. Cambiar el modelo de voz no cerrará esa diferencia.

Cuál elegir

Déjalo en Turbo v4 salvo que oigas una razón para cambiar. Es el más rápido en empezar, habla más idiomas y es el más expresivo. No elegir nada te da Turbo v4.

Prueba Flash v2.5 si Turbo v4 suena a demasiado. Lo expresivo corta en los dos sentidos. En nuestras llamadas, Turbo v4 daba la impresión de alguien que se esfuerza demasiado, y Flash v2.5 la de una apuesta segura que difícilmente sale mal. Para un agente que pasa el día leyendo números de pedido y horarios de apertura, lo llano puede ser justo lo que buscas.

Prueba Conversational v3 para algo intermedio. Suena natural, un poco más sereno que Turbo v4. También es el más lento de los tres modelos rápidos en ponerse a hablar, por menos de una décima de segundo.

Reserva Multilingual v2 para los agentes donde el sonido tiene que ser impecable. Tiene el audio más rico de los cuatro, cuesta el doble por carácter y hace que cada persona que llama espere más por cada respuesta. Se hizo para narración, no para conversación.

Escucha antes de elegir, y luego llama

Debajo de la voz seleccionada, Hear this voice on reproduce la misma voz en cada modelo: un saludo breve, en el idioma propio de esa voz. Escucha los cuatro antes de decidir. Las diferencias están en la forma de hablar, y las oyes más rápido de lo que tardas en leer sobre ellas.

Luego llama al número desde un teléfono de verdad. Una línea telefónica lleva mucho menos sonido que tus altavoces. Parte de lo que separa a Multilingual v2 de los demás en un portátil se pierde en una llamada. La vitalidad de Turbo v4, no.

Idiomas que cada modelo no puede hablar

Turbo v4 y Conversational v3 hablan todos los idiomas que se pueden poner a un agente. Los dos más antiguos no:

• Flash v2.5 no puede hablar persa, nepalí ni tailandés.
• Multilingual v2 no puede hablar persa, nepalí, tailandés ni vietnamita.

Con un modelo que no puede hablar el idioma de tu agente, el selector muestra “Doesn’t speak” seguido del nombre del idioma en su propio idioma (para un agente en tailandés, “Doesn’t speak ไทย.”), y no deja elegirlo.

Los otros idiomas del agente también cuentan. Si tu agente responde en inglés pero puede cambiarse al tailandés en mitad de la llamada, Flash v2.5 no podría hablar después del cambio. Así que la llamada usa Turbo v4 en lugar de tu elección, aunque el inglés solo ya habría bastado. Una elección que no cubre todos los idiomas que la llamada pueda necesitar no se respeta.

Cantonés: solo Turbo v4 incluye el cantonés como idioma propio. Los otros tres incluyen el chino. Para un agente que debe sonar en cantonés, quédate en Turbo v4.

Cuatro cosas que pasan por debajo

No elegir nada significa «seguir el predeterminado». Un agente sin modelo elegido usa el predeterminado de la plataforma, que hoy es Turbo v4. Si el predeterminado cambia más adelante, ese agente cambia con él. Elegir Turbo v4 a mano se guarda igual que no elegir nada. Para quedarte con un modelo pase lo que pase con el predeterminado, elige uno de los otros tres.

Un agente que antes se cambió a «Multilingual» sigue en Multilingual v2. Antes de que existiera este control, la única opción era un interruptor Multilingual para más calidad, y ese interruptor significaba Multilingual v2. Los agentes que lo tenían activado lo conservan, con su pausa antes de cada respuesta. No se les cambia a Turbo v4. Si lo activaste en alguno de los tuyos, escucha Turbo v4 y decide si la espera sigue mereciendo la pena.

Cambiar a una voz de otro proveedor borra la elección. Solo ElevenLabs tiene modelos. Eliges una voz de Azure u OpenAI y la elección de modelo se descarta. Si vuelves a ElevenLabs, el agente arranca otra vez con el predeterminado.

Octo no puede cambiar el modelo. Octo puede cambiarte la voz y el pipeline, pero esto no. Configúralo en la página del agente y pulsa Save.

Cuánto cuesta

Turbo v4, Conversational v3 y Flash v2.5 se facturan a la misma tarifa por carácter hablado. Multilingual v2 se factura al doble de esa tarifa. Solo se facturan las palabras que habla el agente, así que una llamada larga en Multilingual v2 cuesta el doble en voz que la misma llamada en cualquiera de los otros tres. El modelo de lenguaje y la línea telefónica cuestan lo mismo con todos los modelos.

Modelos que verás en otros sitios pero no aquí

La propia web de ElevenLabs lista más modelos de los que muestra este selector. Se dejan fuera a propósito.

• Eleven v4 y Eleven v3, las versiones completas, cuestan el doble que Turbo v4 y Conversational v3. ElevenLabs hizo las versiones Turbo y Conversational para conversación en vivo, que es justo lo que hace un agente telefónico.
• Turbo v2.5 es un modelo más antiguo que cuesta lo mismo que Flash v2.5. Un agente que todavía lo tenga usa el predeterminado en su lugar.
• Los modelos v2 solo en inglés hablan un único idioma. Turbo v4 ya cubre el inglés, junto con los otros 93 idiomas.