Eleven v4: test en español, precio y comparativa con v4 Turbo

👁 151 lecturas

Eleven v4 es el modelo de texto a voz que ElevenLabs lanzó el 28 de septiembre de 2026, junto con la variante rápida v4 Turbo. En la API cuesta 0,08 USD por 1000 caracteres (Turbo, 0,04 USD), y en mi prueba en español leyó bien los 18 números, fechas y abreviaturas, en tres voces y en tres repeticiones; Flash v2.5, con la configuración por defecto, acertó 12. En el ranking de voces de Artificial Analysis, a 30 de octubre, v4 Turbo (1336 puntos Elo) y v4 (1334) comparten el primer puesto.

Qué trae Eleven v4 frente a v3

ElevenLabs publicó dos versiones: la completa (identificador en la API eleven_v4) y la rápida eleven_v4_turbo. Ambas funcionan en la aplicación ElevenCreative, en ElevenAgents y en la API.

• Idiomas: el fabricante indica «más de 90» (v3: «más de 70»). La lista de la API que descargué el 28 de septiembre tenía 85 códigos de idioma para v4 y 74 para v3. El español está en las dos.
• Longitud de una generación: hasta 10 000 caracteres (v3: 5000).
• Etiquetas de audio: instrucciones entre corchetes, como [whispers], [laughs] o [sighs], que el modelo interpreta en lugar de leerlas.
• v4 Turbo: según la documentación, una latencia mediana de inferencia de unos 100 ms.
• Clonación: los clones instantáneos (IVC) y profesionales (PVC) funcionan con v4. Cómo salió un clon desde 10 segundos de muestra lo cuento en la prueba de clonar voz con IA en ElevenLabs.

ElevenLabs afirma además que unos tres de cada cuatro oyentes prefirieron v4 en comparaciones a ciegas con modelos de la competencia. Es un dato del propio fabricante y no se puede comprobar desde fuera; el ranking de Artificial Analysis, sí.

En el ranking de Artificial Analysis, v4 Turbo y v4 empatan en cabeza

Artificial Analysis gestiona una arena de voces: el oyente recibe dos grabaciones del mismo texto sin saber qué modelo las hizo y elige la más natural. De miles de votos sale la puntuación Elo. En la clasificación «Provider Voice» cada modelo habla con las voces del propio fabricante, en inglés.

Los dos puntos entre Turbo y v4 caen dentro del margen de error, y la propia Artificial Analysis les asigna a ambos el rango de puestos 1-2. El día del lanzamiento v4 debutó en cabeza con 1319 puntos; desde entonces ha subido y Turbo lo ha alcanzado. El predecesor, Eleven v3, está en el puesto 23 con 1188. En la clasificación «Controlled Voice», donde todos los modelos usan las mismas voces clonadas, v4 y v4 Turbo empatan a 1156 en los puestos 4-5, por detrás de HeyGen Voice (1193), Qwen-Audio-3.1-TTS-Plus (1181) y HeyGen Voice Turbo (1180).

Artificial Analysis publicó el 28 de septiembre dos cifras más, que no aparecen en la tabla de su web y que cito a través de AlphaSignal: un 91,7% de pronunciación correcta en su prueba de palabras difíciles, abreviaturas y números (Eleven v3: 85,6%) y 73,4 caracteres generados por segundo, frente a 42,5 en v3. Son pruebas en inglés, así que hice la mía en español.

Mi prueba en español: frases, números y fechas

Generé a través de la API de ElevenLabs cuatro frases: un trabalenguas («Tres tristes tigres…»), una cita con la Dra. Ybarzabal-Echeverría el 17/03/2027 a las 9:45 h en la c/ Alcalá 12, un precio de 1249,99 € con un 15% y una frase sobre la Universidad Politécnica de Madrid. El segundo texto era una pista de obstáculos: tren AVE 3071, andén 3, 6:05, 29/02/2028, 14:30, pedido n.º 48/2026, 3450,50 €, «IVA incl.», «aprox. 2,8 mil €», un número de teléfono y una dirección de correo. Envié los textos tal cual, sin escribir los números en letra, con la normalización en «auto».

Cada grabación pasó por tres transcripciones independientes: Whisper large-v3 (local, RTX 4090), Whisper large-v3 con un prompt que pide los números en letra y ElevenLabs Scribe v2. Conté un error cuando al menos dos de las tres transcripciones lo mostraban, o cuando una lo mostraba y las otras no aportaban pruebas (se limitaban a copiar los dígitos o la abreviatura). Como error de palabra conté solo lo que fallaban a la vez Whisper y Scribe; las palabras que se reconocían mal en el 80% o más de todas las grabaciones, fuera cual fuera el modelo, las traté como debilidad del transcriptor, no de la voz.

V4 leyó «Dra.» como «doctora», la fecha como «diecisiete de marzo de dos mil veintisiete», la hora como «nueve cuarenta y cinco horas», «c/» como «calle», el importe como «mil doscientos cuarenta y nueve euros con noventa y nueve céntimos», «aprox.» como «aproximadamente» y «15 %» como «quince por ciento». El mismo 7 de 7 salió con las voces Carolina y Alice y en dos generaciones más con David Martin. V3 tropezó con «aprox.» en las frases y con la fecha 29/02/2028 en la pista de obstáculos.

Flash v2.5 mejora al activar la normalización de texto (apply_text_normalization: "on"): así acertó los 11 puntos de la pista de obstáculos. En v4 el interruptor no cambió nada, porque en «auto» ya lo leía todo bien.

Las etiquetas de audio funcionan en español

El tercer texto llevaba seis etiquetas: susurro, pausa, risa nerviosa, emoción, suspiro y sarcasmo («[sarcastic] Claro, el lunes es mi día favorito»). Ningún modelo de ElevenLabs leyó las etiquetas en voz alta, algo que con versiones anteriores sí pasaba. Para medir si se interpretaron usé la detección de eventos de audio de Scribe (por ejemplo [risas] o [suspiro]) y la variación del tono; el susurro, la pausa, la emoción y el sarcasmo no se pueden detectar así.

La diferencia se oye en la melodía de la voz: con David Martin el tono de v4 oscila 8,08 semitonos, el de v4 Turbo 7,95 y el de v3 5,35. Como referencia, Flash v2.5 en frases normales sin etiquetas se quedó en 2,62, es decir, sonaba bastante más plano.

v4 Turbo empieza a hablar casi tan rápido como Flash

El día del lanzamiento, conectándome desde Europa, v4 fue más lento que los 73,4 caracteres por segundo de Artificial Analysis: la primera llamada de 428 caracteres tardó 29,9 s y las siguientes entre 10 y 12 s, es decir, de 14 a 43 caracteres por segundo, como v3. Es probable que los servidores estuvieran saturados ese día, así que tómalo como una medición del estreno, no como la velocidad habitual.

En un asistente de voz importa más el tiempo hasta el primer sonido. Lo medí en modo streaming, tres veces por modelo (mediana):

Turbo es casi tan rápido como Flash, con los números en español salió igual que el v4 completo y las etiquetas de audio las interpretó en todas las grabaciones. Para conversación en directo lo elegiría sin dudar. El v4 completo lo reservaría para locuciones grabadas en las que cuenta cada matiz, aunque en mi prueba no encontré una ventaja que justifique el doble de créditos, y en el ranking actual Turbo está a la par.

Precio de Eleven v4: 0,08 USD por 1000 caracteres en la API

En la API v4 cuesta 0,08 USD por 1000 caracteres, 80 USD por millón, lo mismo que v3. V4 Turbo cuesta la mitad, 0,04 USD. La promoción de lanzamiento terminó el 12 de octubre de 2026. Los precios son sin IVA.

* El minuto lo calculé con mi propia grabación: 428 caracteres dieron 35,3 s, unos 727 caracteres por minuto de habla. Los créditos por carácter los leí en la cabecera de respuesta de la API: 428 caracteres costaron 428 créditos en v4 y 214 en v4 Turbo.

En la aplicación v4 también está en el plan gratuito (10 000 créditos al mes, sin uso comercial). A mi ritmo de 727 caracteres por minuto eso da unos 14 minutos de habla en v4; ElevenLabs, que calcula con textos más largos por minuto, habla de unos 10. El uso comercial empieza en Starter (6 USD al mes, 30 000 créditos), y Creator (22 USD, 121 000 créditos) da unas 2,8 horas de v4 a mi ritmo.

Si pasarse de v3 a v4: sí, si lees números

Si haces locuciones en español con números, fechas y abreviaturas, sí. V3 era bueno, pero en mi prueba falló dos veces («aprox.» y la fecha 29/02/2028) y v4 ninguna, al mismo precio en la API. Si vienes de Multilingual v2 o Flash v2.5, el salto es mayor: esos modelos leían «c/» como «ce barra», se equivocaban con «n.º» y confundían importes. Si te quedas con Flash por la velocidad, activa la normalización de texto o pasa a v4 Turbo, que cuesta lo mismo y en mi prueba no falló ni una cifra.

Preguntas frecuentes

¿Eleven v4 lee números sin escribirlos en letra?

En mi prueba, sí: fechas, horas, importes en euros, porcentajes, teléfonos y direcciones de correo, con la normalización en «auto». Con nombres propios y abreviaturas poco habituales conviene escuchar el resultado antes de publicarlo.

¿Se puede usar Eleven v4 gratis?

Sí, en la aplicación con el plan Free (10 000 créditos al mes), pero sin licencia comercial. Para usar las locuciones en vídeos o anuncios hace falta como mínimo Starter.

// sigue leyendoUtopai X vs Wan 3.0 vs MiniMax H3: comparativa y preciosBenchmarksSkyReels V4 vs Seedance 2.0 vs Kling 3.0: comparativa y preciosBenchmarksZ-Image Turbo: prueba con 8 prompts y comparativa con Qwen-ImageBenchmarks

Kinetyra

El enlace a ElevenLabs es un enlace de afiliado: si compras a través de él, FULGOR recibe una comisión y tú pagas el mismo precio. No influye en el contenido, tampoco en las partes críticas.