
Eleven v4 в Unitool шепчет, смеётся и вздыхает там, где ты поставишь тег
Озвучка нейросетью часто звучит ровно, как объявление на вокзале. Eleven v4 от ElevenLabs принимает подсказки подачи в квадратных скобках, а в Unitool она уже доступна. Показываем, как озвучить текст с шёпотом и вздохом, сколько это стоит и какую модель ElevenLabs выбрать.
Почему нейросеть читает твой текст, как расписание электричек
Ты написал тёплый текст для ролика, с паузой перед главным и шуткой в конце. Загрузил его в озвучку и получил голос, который одинаково бодро произносит «скидка 20%» и «мы сожалеем». Ты добавляешь восклицательные знаки, режешь предложения на куски, переписываешь фразы по третьему разу. Тон не меняется, потому что управлять им нечем.
28 сентября 2026 года ElevenLabs выпустила Eleven v4, модель озвучки, у которой подачу можно задавать прямо в тексте. В Unitool она уже есть. Сначала расскажем, что это за модель и что о ней говорят тесты. Потом покажем, как озвучить свой текст с шёпотом и вздохом, сколько это стоит и какую из моделей ElevenLabs выбрать под задачу.
Что Eleven v4 делает с текстом
Eleven v4 превращает текст в речь и пытается понять, как эту речь произнести. По описанию ElevenLabs, она учитывает тон, темп, характер текста и контекст сцены. Подачу можно подсказать короткими пометками в квадратных скобках, их называют тегами. В анонсе есть примеры вроде [laughs], [light rain] и [phone buzzing], то есть смех, шум дождя и жужжание телефона. Компания пишет, что v4 выполняет такие подсказки точнее прежних моделей.
Заявлены ещё две особенности. Модель держит в голове всю сцену, поэтому реплики героев в диалоге звучат ответами друг другу, а не склеенными кусками. И голос не должен «плыть» на длинных текстах, а это важно для аудиокниг и рекламы. Для редких слов и имён улучшили поддержку международного фонетического алфавита (IPA), так что задать своё произношение стало надёжнее.
Что показали тесты и почему мы не верим им на слово
ElevenLabs пишет, что на сентябрь 2026 года v4 стоит на первом месте в рейтинге Artificial Analysis (Provider Voice Arena Leaderboard). В слепых сравнениях её, по данным компании, выбирали примерно 75% слушателей, а в отдельных парах доля побед составила от 65% до 81%. Соперниками были Cartesia Sonic 3.6, Inworld TTS-2 и две модели Google Gemini 3.8, Flash-Lite TTS и Flash TTS. Слушатели получали одну и ту же фразу от v4 и от конкурента, не зная, кто есть кто, и выбирали, какая звучит выразительнее и естественнее. Ничья засчитывалась как половина победы.
Оговорка простая. Эти тесты проводила сама ElevenLabs, на своих фразах и языках, и в твоём ролике результат может отличаться. Мы не обещаем, что v4 обойдёт всех. Но цифры объясняют, почему начинать стоит именно с неё.

Eleven v4 и v4 Turbo, в чём разница
Моделей две. Eleven v4 сделана для озвучки, где важно качество, то есть для аудиокниг, закадрового голоса, дубляжа и героев с характером. Eleven v4 Turbo — быстрая версия для голосовых агентов, которые отвечают клиентам в реальном времени. ElevenLabs называет медианное время до первой реплики около 150 миллисекунд, это её собственное измерение. Для ролика или курса задержка в десятые доли секунды не нужна, поэтому мы начинаем с обычной v4. Turbo пригодится, если ты собираешь голосового бота.
90 языков, русский и клон голоса
Анонс называет больше 90 языков, у Eleven v3 их было больше 70. Голос, записанный на одном языке, должен говорить на других с акцентом носителя и при этом сохранять свой тембр. Клон голоса, по словам компании, теперь можно собрать по 10 секундам записи. В карточке Eleven v4 в Unitool тоже написано «90+», и в списке есть русский, украинский, белорусский и сербский. Русский мы проверили сами, об этом ниже.
Какую модель ElevenLabs выбрать в списке Unitool
Список моделей в Unitool длинный, и для ролика половина из него не нужна. Мы бы разложили его на четыре группы.
Eleven v4 — первый выбор для озвучки с эмоциями, 90+ языков.
Eleven v4 Turbo — те же 90+ языков, но оптимизирована под низкую задержку, то есть для живых диалогов.
Eleven v3 и v3 Conversational — 70+ языков, понимают теги, но, как сказано в карточке, требуют более тщательной работы с промтом, чем прежние модели. Вторая оптимизирована для разговорных агентов.
Multilingual v2, Flash v2.5 и Turbo v2.5 — старая линейка на 29–32 языка. Теги эмоций там не работают, паузы ставятся командой
<break time="1.0s" />. Flash v2.5 в карточке описана как модель со сверхмалой задержкой.
Ещё три модели v2, Turbo v2, Flash v2 и English v2, говорят только по-английски. Для русского текста с эмоциями берём v4, а если нужна живая беседа, то v4 Turbo. Старые модели нужны там, где эмоции не требуются.

Где найти Eleven v4 в Unitool и сколько это стоит
Дальше практика. Всё делается в одном окне.
Открой в Unitool раздел ElevenLabs и выбери «Текст в речь».
В панели справа, в блоке «Настройки клипа», выбери в поле «Модель» значение Eleven v4.
Выбери диктора, вставь текст на русском и запусти генерацию.
Готовую озвучку забери кнопкой «Экспорт».
Весь путь занимает несколько кликов, ничего устанавливать и подключать не нужно. Расценка написана прямо под полем ввода, поэтому пробовать можно с одного абзаца.
Под полем указано, что озвучка стоит 30 токенов за 1000 символов, и там же сказано, что 1 токен равен 1,6 ₽. Выходит около 48 ₽ за 1000 символов (наш расчёт по цене токена с этой страницы). Если потратить на озвучку весь месячный баланс, его хватит на тарифе «Старт» примерно на 10 000 символов, на «Оптимальном» на 15 000, на «Продвинутом» на 33 334. Баланс общий для всех нейросетей, поэтому на деле озвучке достанется его часть.

Теги в тексте и ползунки подачи
Теги пишутся на английском в квадратных скобках прямо в тексте озвучки, перед нужной фразой. Сам текст остаётся русским. В подсказке Unitool приведены такие примеры. Эмоции — [happy], [sad], [angry], [excited], [curious], [sarcastic]. Манера и звуки — [whispers], [shouting], [laughs], [crying], [sighs]. Паузы без точной длительности — [short pause] и [long pause]. Это примеры, а не полный список, и подсказка советует начинать с одного тега.
Мы проверили это на русском тексте и стандартном голосе Roger.
[excited] Как же я рада тебя видеть! [whispers] Это наш маленький секрет.
Модель сыграла восторг в начале и понизила голос до шёпота в конце. Голос мужской, поэтому в настоящем тексте «рада» лучше поменять на «рад». Одна проверка не заменяет исследования, но она показывает главное. Для тегов не нужен клон голоса, они сработали на голосе из библиотеки.
Справа две настройки, которые работают с v4, это стабильность и «Ясность + улучшение сходства». По умолчанию там 50% и 75%. Слишком высокая стабильность приглушает эмоции, слишком низкая делает подачу непредсказуемой, так предупреждает подсказка. Ползунок стиля и переключатель усиления диктора на экране остались, но для v4 они недоступны, как и скорость. Паузы через <break> v4 тоже не понимает, вместо них работают теги и знаки препинания.

Сценарий для ролика на 25 секунд
Допустим, тебе нужно озвучить короткий ролик о запуске приложения. Начни в текстовом чате Unitool, например в Claude Sonnet 5.5, он напишет текст, а не озвучку. Вот промт.
Напиши закадровый текст на 25 секунд для ролика о запуске приложения записи к врачу. Тон тёплый, без пафоса. Добавь не больше четырёх тегов подачи в квадратных скобках на английском, например [excited], [whispers] или [short pause], каждый перед той фразой, которую он меняет. Сам текст пиши на русском. Если не хватает данных о приложении, спроси, ничего не придумывай.
Затем скопируй готовый текст в «Текст в речь», выбери Eleven v4, диктора с подходящим тембром и оставь стабильность на 50%. Послушай. Если тег переиграл, убери его и оставь знаки препинания, они тоже работают. Если голос получился ровным, сдвинь стабильность ниже и сгенерируй ещё раз. Название приложения и цифры проверь на слух отдельно, нейросеть может произнести их по-своему.
На практике, если ты не звукорежиссёр
Маркетолог может озвучить рекламный ролик или сторис без студии. Сделай две версии одной реплики, бодрую и спокойную, и сравни, какая работает лучше.
Методист может записать обучающее видео, где важное сказано с паузой, а типичная ошибка с лёгкой иронией. Содержание проверяй сам, а подачу оставь нейросети.
Владелец небольшого магазина может озвучить видео для карточки товара. Одного тега перед главной фразой часто хватает, чтобы голос перестал читать, как инструкцию к чайнику.
А если взять голос знакомого актёра
Вопрос возникает сразу. Нельзя. По правилам Unitool запрещено использовать чужие лица и голоса без согласия. Для клона загружай свою запись или запись человека, который согласился. На странице клонирования указано, что один файл может весить до 11 МБ, а голос можно записать прямо с микрофона. В аккаунте помещается до 5 голосов, а неиспользованные удаляются через 7 дней после последнего использования.
Мы не обещаем идеальную подачу с первого раза. Теги задают направление, но не гарантируют точное исполнение, об этом честно сказано в самой подсказке. Результат стоит прослушать целиком до публикации.
Озвучь первую фразу
Не нужно сначала изучать все модели. Возьми одну реплику из своего ролика, поставь в неё два тега и сравни с тем, как она звучала раньше.
При регистрации в Unitool мы даём 10 бонусных токенов на любую нейросеть, этого хватит примерно на 330 символов озвучки. Для регулярной работы подойдёт тариф «Оптимальный», а если нейросети нужны каждый день, то «Продвинутый». Выбери тариф, включи Eleven v4 и озвучь первый абзац.
На следующей озвучке пригодится не знание всех моделей, а привычка поставить один тег там, где голос должен вздохнуть.