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

/agents → seu agente → Voice Pipeline → Synthesized Voice. Quando a voz selecionada é uma voz da ElevenLabs, a linha dela traz um controle Model: com quatro opções. A voz continua a mesma. O modelo decide como essa voz é interpretada: quão animada ela soa, quão rápido ela começa a falar, quais idiomas ela consegue falar e quanto custa cada caractere.

O controle só aparece no pipeline Standard (STT + LLM + TTS) com uma voz da ElevenLabs. Os pipelines em tempo real trazem as próprias vozes, e os outros provedores de texto em fala não têm modelo para escolher.

Os quatro modelos

“Primeiro áudio” é o tempo entre o texto do agente estar pronto e o primeiro som da voz dele. Medimos isso em ligações de teste reais, pelo caminho de telefone de verdade, com o mesmo agente, a mesma voz, o mesmo roteiro e o mesmo modelo de linguagem em todas as ligações. Só o modelo de voz mudou. Cada ligação teve duas falas em inglês e duas em chinês.

• O Turbo v4 foi o mais rápido em todas as respostas. Ao longo de 21 respostas, variou de 0.09 a 0.12 s.
• O Flash v2.5 veio em segundo, com 0.11–0.13 s.
• O Conversational v3 veio por último, com 0.16–0.20 s.
• A ordem nunca mudou entre inglês e chinês. Nenhum desses modelos demora mais para começar num idioma do que em outro.

O Multilingual v2 está em outra categoria. Levou cerca de meio segundo para começar em ligações reais, e mais de um segundo em testes diretos. Essa diferença é grande o bastante para dar para ouvir.

O que a escolha faz, e o que não faz, pela velocidade

O modelo de voz é uma parte pequena do tempo que uma resposta leva. Nas ligações acima, uma resposta inteira levou em geral de 1.3 a 1.7 s, desde a pessoa calar até o primeiro som do agente. A parte do modelo de voz nisso foi de 0.1 a 0.2 s. Se o seu agente parece lento, alternar entre Turbo v4, Flash v2.5 e Conversational v3 muda isso em menos de um décimo de segundo.

A exceção é o Multilingual v2. Ele adiciona uma pausa perceptível antes de cada resposta, então não use num agente de telefone ao vivo, a menos que o som importe mais para você do que a espera.

As respostas em chinês de fato demoravam mais que as em inglês, mas a voz não era a causa. O modelo de linguagem levava um pouco mais para começar a resposta dele. O detector de pausa também tinha mais chance de decidir que quem falava chinês ainda não tinha terminado de falar. Trocar o modelo de voz não vai fechar essa diferença.

Qual escolher

Deixe no Turbo v4, a menos que ouça um motivo para mudar. É o mais rápido para começar, fala o maior número de idiomas e é o mais expressivo. Não escolher nada te dá o Turbo v4.

Experimente o Flash v2.5 se o Turbo v4 soar como exagero. Ser expressivo tem dois lados. Nas nossas ligações, o Turbo v4 passou a impressão de alguém se esforçando demais, e o Flash v2.5, de uma aposta segura que dificilmente dá errado. Para um agente que lê números de pedido e horário de funcionamento o dia inteiro, simples pode ser o que você quer.

Experimente o Conversational v3 para um meio termo. Soa natural, um pouco mais calmo que o Turbo v4. Também é o mais lento dos três modelos rápidos para começar a falar, por menos de um décimo de segundo.

Reserve o Multilingual v2 para agentes em que o som precisa ser o melhor possível. Ele tem o áudio mais rico dos quatro, custa o dobro por caractere e faz cada pessoa que liga esperar mais por cada resposta. Ele foi feito para narração, não para conversa.

Ouça antes de escolher, depois ligue

Na voz selecionada, o Hear this voice on toca a mesma voz em cada modelo: uma saudação curta, no idioma da própria voz. Ouça os quatro antes de decidir. As diferenças estão no jeito de falar, e você as ouve mais rápido do que conseguiria lendo sobre elas.

Depois, ligue para o número de um telefone de verdade. Uma linha de telefone carrega muito menos do som do que as suas caixas de som. Parte do que separa o Multilingual v2 dos outros num computador se perde numa ligação. O jeito animado do Turbo v4 não.

Idiomas que cada modelo não fala

O Turbo v4 e o Conversational v3 falam todos os idiomas em que um agente pode ser configurado. Os dois mais antigos não:

• O Flash v2.5 não fala persa, nepalês nem tailandês.
• O Multilingual v2 não fala persa, nepalês, tailandês nem vietnamita.

Num modelo que não fala o idioma do seu agente, o seletor mostra “Doesn’t speak” seguido do nome do idioma escrito na própria língua (para um agente em tailandês, “Doesn’t speak ไทย.”), e você não consegue escolher esse modelo.

Os outros idiomas do agente também contam. Se o seu agente atende em inglês mas pode mudar para o tailandês no meio da ligação, o Flash v2.5 não conseguiria falar depois da mudança. Então a ligação usa o Turbo v4 em vez da sua escolha, mesmo que só o inglês já permitisse o Flash v2.5. Uma escolha que não cobre todos os idiomas de que a ligação pode precisar não é respeitada.

Cantonês: só o Turbo v4 lista o cantonês como idioma próprio. Os outros três listam chinês. Para um agente que deve soar em cantonês, fique no Turbo v4.

Quatro coisas que acontecem por baixo

Não escolher nada significa “seguir o padrão”. Um agente sem modelo escolhido usa o padrão da plataforma, que hoje é o Turbo v4. Se o padrão mudar depois, esse agente muda junto. Escolher Turbo v4 manualmente é salvo do mesmo jeito que não escolher nada. Para continuar num modelo, não importa o que o padrão venha a ser, escolha um dos outros três.

Um agente que foi passado para “Multilingual” antes continua no Multilingual v2. Antes deste controle existir, a única escolha era uma chave Multilingual para mais qualidade, e essa chave significava Multilingual v2. Os agentes que a tinham ligada continuam com ela, com a pausa dela antes de cada resposta. Eles não são movidos para o Turbo v4. Se você ligou essa chave num dos seus, ouça o Turbo v4 e decida se a espera ainda vale a pena.

Trocar para uma voz de outro provedor apaga a escolha. Só a ElevenLabs tem modelos. Escolha uma voz Azure ou OpenAI e a escolha de modelo é descartada. Se você voltar para a ElevenLabs, o agente volta a começar no padrão.

A Octo não pode mudar o modelo. A Octo pode mudar a voz e o pipeline por você, mas isso ela não pode. Defina na página do agente e aperte Save.

Quanto custa

Turbo v4, Conversational v3 e Flash v2.5 são cobrados pela mesma taxa por caractere falado. O Multilingual v2 é cobrado pelo dobro dessa taxa. Só as palavras que o agente fala são cobradas, então uma ligação longa no Multilingual v2 custa o dobro em voz do que a mesma ligação em qualquer um dos outros três. O modelo de linguagem e a linha de telefone custam o mesmo em todos os modelos.

Modelos que você vai ver em outros lugares, mas não aqui

O site da própria ElevenLabs lista mais modelos do que este seletor mostra. Eles ficam de fora de propósito.

• Eleven v4 e Eleven v3, as versões completas, custam o dobro do Turbo v4 e do Conversational v3. A ElevenLabs fez as versões Turbo e Conversational para conversa ao vivo, que é o que um agente de telefone faz.
• O Turbo v2.5 é um modelo mais antigo, pelo mesmo preço do Flash v2.5. Um agente que ainda o traz configurado usa o padrão no lugar.
• Os modelos v2 apenas em inglês falam um único idioma. O Turbo v4 já cobre o inglês, junto com os outros 93 idiomas.