ElevenLabs ha presentado el 28 de septiembre Eleven v4 y Eleven v4 Turbo, una nueva generación de sus modelos de texto a voz. La compañía afirma que ya están disponibles en ElevenCreative, ElevenAgents y ElevenAPI, con soporte para más de 90 idiomas. Para un equipo de contenidos, el cambio que merece atención es el control sobre cómo se interpreta un guion: intención, ritmo, pronunciación y continuidad entre voces.

El anuncio, firmado por los cofundadores Mati Staniszewski y Piotr Dabkowski, describe mejoras en instrucciones de voz, diálogos y clonación. La página incluye ejemplos en castellano y catalán. Son demostraciones escogidas por la empresa: permiten conocer su propuesta, pero no prueban que una campaña concreta vaya a funcionar igual. Contrafeed no ha probado estos modelos.

El guion necesita instrucciones de interpretación

La compañía permite orientar la entrega con lenguaje natural y etiquetas de audio, y anuncia mejoras en pronunciación mediante el alfabeto fonético internacional. En el trabajo creativo, esto invita a separar dos documentos que a veces se confunden: lo que la voz debe decir y cómo debe decirlo. Una línea de lanzamiento y una explicación de una incidencia pueden compartir vocabulario y necesitar actitudes opuestas.

Una forma útil de evaluar la herramienta sería preparar un guion corto con tres dificultades reales de la marca: un nombre propio, una cifra y una frase cuyo significado cambie con la entonación. Después, pedir versiones con la misma voz y comparar cuál conserva el sentido. El criterio de aceptación debe escribirse antes de escuchar: claridad del nombre, énfasis adecuado y ausencia de una emoción que contradiga el mensaje.

La unidad de trabajo debería ser la toma aprobada, no el archivo generado. Si una entrega exige cuatro regeneraciones y una edición manual, esas operaciones forman parte de su coste. La misma pregunta aparece en nuestro análisis sobre pronunciación y control de la voz de marca: poder producir más versiones solo ayuda cuando se puede decidir cuál es válida.

La velocidad anunciada no es la espera de un cliente

Para Turbo, ElevenLabs comunica una mediana cercana a 150 milisegundos hasta el primer audio audible en sus pruebas, descontando la latencia de red. Esa condición importa: la cifra no representa por sí sola el tiempo completo de respuesta de un agente conectado a los sistemas de una empresa.

En una evaluación propia convendría medir el recorrido completo: recibir una petición, consultar la información necesaria, decidir la respuesta y empezar a hablar. También habría que observar qué ocurre cuando el usuario interrumpe, corrige un dato o necesita que se repita una explicación. Una respuesta rápida que confirma una gestión inexistente sería un fallo de servicio, por convincente que sonara.

Para una agencia, la demostración debería utilizar el mismo texto, conexión y contexto en las alternativas comparadas. Además de anotar la espera, conviene conservar la grabación y registrar errores de contenido, pronunciación y tono. Esto evita convertir una cifra del proveedor en una promesa al cliente. El debate enlaza con la relación entre rapidez y razonamiento en conversaciones de voz.

Localizar exige algo más que mantener una voz

La disponibilidad de idiomas abre una posibilidad de producción, pero cada adaptación debería pasar por alguien que conozca el mercado de destino. Una voz reconocible no garantiza que una broma se entienda, que una oferta se explique con precisión o que el tratamiento resulte adecuado. El texto localizado y su interpretación deben aprobarse juntos, antes de incorporarlos a vídeo, anuncios o atención al público.

Un ejemplo de prueba sería una pieza de veinte segundos con el mismo objetivo en castellano y catalán. La comparación debería valorar comprensión, duración y naturalidad para ese público, sin exigir que ambas versiones tengan idénticas pausas. Cuando la locución acompañe información visual, también conviene revisar subtítulos y sincronización: escuchar el archivo aislado deja fuera parte de la experiencia final.

Antes de clonar una voz, el equipo necesita documentar la autorización de su titular y el alcance acordado: idiomas, usos, duración y posibles modificaciones. La capacidad técnica no resuelve ese permiso. También debe comprobar el plan, las condiciones de uso comercial y el tratamiento de los audios que aportará. La documentación de facturación distingue el uso comercial de los planes de pago del uso no comercial del plan gratuito, sujeto a atribución. El anuncio no detalla una matriz completa de precios, países y acceso por plan; no permite dar por incluidas todas esas condiciones.

Qué tendría que demostrar un piloto

El primer encargo puede ser pequeño y reversible: una pieza interna, una voz autorizada y un conjunto de variantes con objetivos definidos. La persona responsable de marca debería aprobar el texto, otra revisión comprobar la interpretación y el equipo conservar las versiones aceptadas. Si hay un error posterior, ese registro permite saber qué se aprobó y dónde se introdujo el cambio.

La lectura Contrafeed es concreta: evaluar si mejora la dirección de voz y reduce correcciones por entrega. Para decidirlo, interesan el tiempo total de producción, las tomas rechazadas y la calidad final, además del precio de generación. El lanzamiento amplía las opciones disponibles; el beneficio para cada proyecto tendrá que acreditarse con su propio guion y sus criterios de publicación.

La beta Speech de Suno reúne narración y música y añade preguntas sobre mezcla, correcciones y condiciones de uso.

Fuente y alcance

Fuentes y método

Elaboración y análisis de Redacción Contrafeed a partir de las fuentes enlazadas. Revisión documental automatizada; no se ha realizado una prueba práctica ni una entrevista propia.

Así trabajamos las fuentes y las correcciones.