ElevenLabs v4 vs. v4 Turbo: dos modelos de voz para necesidades distintas

La nueva generación de voz de ElevenLabs llega en dos versiones: Eleven v4, para audio más expresivo y producido, y Eleven v4 Turbo, para aplicaciones que necesitan responder en tiempo real. Ambas admiten más de 90 idiomas y ofrecen clonación de voz, pero están pensadas para tareas diferentes. Además, las cifras y afirmaciones de lanzamiento no reemplazan las pruebas con el contenido y las condiciones de uso de cada proyecto. 51117

Eleven v4 y v4 Turbo, en pocas palabras

	Eleven v4	Eleven v4 Turbo
Para qué se diseñó	Creación de contenido, audiolibros y voces de personajes, cuando la calidad es la prioridad 17	Usos en tiempo real, como agentes conversacionales y experiencias de voz interactivas 17
En qué pone el acento	Expresividad y control sobre la interpretación del guion 511	Menor latencia al generar voz 111
Latencia publicada	Las fuentes disponibles no citan una cifra comparable	Unos 100 ms de latencia mediana de inferencia y unos 150 ms hasta el inicio del habla, según ElevenLabs 11
Idiomas	Más de 90 111	Más de 90 1
Disponibilidad	ElevenAPI, ElevenAgents y ElevenCreative 210	ElevenAPI, ElevenAgents y ElevenCreative 210

Si lo más importante es la interpretación —el tono, la emoción y el control del guion—, v4 es la opción más directa. Si el modelo debe contestar con rapidez dentro de una conversación, Turbo está pensado para ese uso. ElevenLabs afirma que Turbo conserva una calidad alta con menor latencia, pero la documentación disponible no ofrece una comparación directa que cubra todos los escenarios. 17

Qué aporta v4: más control expresivo y guiones largos

ElevenLabs describe v4 como un modelo basado en una arquitectura nueva, diseñada para dar más control sobre el tono, el ritmo, la emoción y el carácter de la voz. Los materiales públicos explican esos objetivos, pero no incluyen suficiente detalle técnico para evaluar la arquitectura de forma independiente. 510

También amplía las posibilidades de las etiquetas de audio insertadas en el guion. Introducidas con v3, estas etiquetas permiten orientar la interpretación de una línea. Según TechCrunch, v4 permite combinar varias etiquetas y seguir su secuencia. 5 Esto da más indicaciones dentro del texto, aunque conviene escuchar el resultado y comprobar que se ajuste a lo que se busca.

Los dos modelos admiten más de 90 idiomas. ElevenLabs dice que basta con tan solo 10 segundos de audio para crear una clonación de voz instantánea. Además, en v4 vuelve la clonación profesional de voz, que, según la empresa, no estaba disponible en v3. 1511

Para textos extensos, ElevenLabs presenta la función context stitching como una forma de mantener estable el ritmo y la interpretación a lo largo de un guion de cualquier extensión. Puede ser útil para audiolibros y otros proyectos largos, pero sigue siendo una afirmación del fabricante: no demuestra por sí sola que todas las voces mantengan la misma consistencia en cualquier proyecto. 11

Qué significan las cifras de latencia de Turbo

ElevenLabs publica para v4 Turbo una latencia mediana de inferencia de aproximadamente 100 ms y un tiempo mediano hasta el inicio del habla de unos 150 ms. Son mediciones distintas: la primera se refiere a la latencia de inferencia; la segunda, al tiempo que transcurre antes de que empiece a hablar. Ninguna, por sí sola, indica cuánto tardará en sentirse una conversación completa con un agente de voz. 11

En una interacción real también influyen otros pasos: procesar el audio de quien llama, generar la respuesta y transmitirla por la red. Por eso, las cifras publicadas sirven como referencia sobre el modelo, pero lo recomendable es medir la latencia de principio a fin dentro de la aplicación prevista.

Qué muestran —y qué no— las pruebas de calidad

Un informe sobre el lanzamiento afirma que Artificial Analysis colocó a Eleven v4 en el primer puesto de su clasificación Provider Voice Arena. Ese resultado corresponde a v4 en una evaluación concreta: no demuestra que lidere en todos los idiomas, voces, trabajos extensos o configuraciones de agentes en vivo. 6 Tampoco debe trasladarse automáticamente a Turbo: la información de benchmarks disponible no identifica una evaluación pública equivalente y documentada para esa versión. 18

Cartesia e Inworld aparecen entre los proveedores que compiten en herramientas de voz en tiempo real. Para comparar alternativas, lo más útil es probarlas con los mismos guiones, condiciones de red y flujos de trabajo, en vez de basarse únicamente en las cifras de latencia publicadas por cada proveedor. 19

El contexto empresarial de ElevenLabs

La separación entre v4 y Turbo apunta a una estrategia más amplia: atender tanto a creadores que buscan narraciones expresivas y controladas como a empresas que desarrollan agentes de voz en tiempo real. Es una señal de posicionamiento del producto, no una prueba de que la compañía ya haya ganado ninguno de esos mercados.

ElevenLabs informó que superó los 500 millones de dólares en ingresos recurrentes anuales a comienzos de 2026, y su ronda de financiación de febrero de ese año la valoró en 11.000 millones de dólares. 3233 Más tarde, TechCrunch informó que la empresa avanzaba a un ritmo de 600 millones de dólares en ingresos recurrentes anuales y que su valoración, según reportes, llegaba a 22.000 millones. Esa cifra publicada no debe confundirse con una nueva ronda de financiación confirmada. El mismo medio habló de una posible salida a bolsa como una aspiración, no como una cotización anunciada. 28 TechCrunch también describió a Decagon, antiguo cliente de ElevenLabs, como competidor: un ejemplo de cómo la competencia puede surgir incluso entre empresas que antes eran clientes y proveedores. 28

Para decidir entre los modelos, conviene empezar por el uso y después probar la voz y el flujo de trabajo concretos. Comparar v4 y Turbo con el mismo guion o tarea, medir la latencia de extremo a extremo y verificar la clonación y la consistencia en textos largos permite saber cuál se adapta mejor. El lanzamiento plantea una disyuntiva clara entre calidad expresiva y rapidez, pero no determina por sí solo cuál rendirá mejor en cada proyecto.