elevenlabs'in yeni metinden sese modeli. 90'dan fazla dil desteği, 10 saniyelik ses kaydıyla ses klonlama ve "şirketin bugüne kadarki en duygu odaklı modeli" iddiasıyla geliyor. asıl hikaye teknik tarafta: tonlama, tempo, duygu ve bağlamı metinden yorumlama işini artık ayrı bir katman gibi değil, modelin içine gömülü bir yetenek olarak çözmeye çalışıyorlar. yani tts dediğimiz şey gitgide "metni sese çevirme" değil, "metni oynama" işine dönüşüyor.
v4 turbo tarafı daha da ilginç. gerçek zamanlı ajanlar için düşük gecikme hedefiyle çıkmış. burada mesele sadece sesin doğallığı değil; gecikmenin insan konuşma ritmine yaklaşması. çünkü bir sesli asistanda 300-500 ms gecikme bile konuşmayı robotik hissettirir, karşındakinin seni beklediğini fark edersin. turbo'nun varlığı, elevenlabs'in artık salt içerik üretim aracı değil, çağrı merkezi, oyun npc'si, canlı çeviri gibi etkileşimli katmanlara göz koyduğunun işareti. realtime tarafında rekabet kızışacak demektir.
10 saniyelik kayıtla ses klonlama kısmı ise hem büyüleyici hem ürkütücü. bir yandan prodüksiyon, dublaj ve erişilebilirlik için devrim; diğer yandan dolandırıcılık, ses sahteciliği ve rıza dışı klonlama için kapı aralığı. elevenlabs bu dengeyi watermark ve doğrulama katmanlarıyla tutmaya çalışıyor ama teknik olarak klonlama eşiği düştükçe hukuki ve etik çerçeve aynı hızda güncellenmiyor. sesin kimliğe dönüştüğü yerde, "bu gerçekten o kişi mi konuşuyor" sorusu yakında herkesin gündelik problemi olacak.