На саммите ElevenLabs Summit NYC в Нью-Йорке показали модель Eleven v4 — самую эмоциональную в истории компании, и это значит, что озвучка текста нейросетью впервые перестаёт звучать как чтение роботом по бумажке. Если коротко: ElevenLabs строит «слой взаимодействия» для ИИ — учит машины разговаривать с людьми так же естественно, как это делает живой человек. Новый голосовой ИИ подстраивается под ситуацию: где-то мягче, где-то строже, с нужной интонацией и паузами. Именно на этом компания делает ставку — и именно поэтому её модели стоит попробовать уже сегодня.

Что случилось в Нью-Йорке

ElevenLabs собрала саммит в Нью-Йорке и привезла туда не одну фичу, а целый набор: новые модели, агентов (это программы, которые сами ведут разговор с человеком) и варианты развёртывания — то есть способы встроить всё это в работу бизнеса и найти новые источники выручки.

Главный герой сцены — Eleven v4, самая эмоциональная модель компании на сегодня. Сооснователь и CEO Мати Станишевски прямо сказал со сцены: через несколько лет разговорные агенты станут критической инфраструктурой для любого бизнеса — такой же обязательной, как облака или платежи. И добавил важное: задача «научить технику говорить по-человечески» впервые стала решаемой.

Второй блок — модели под конкретные отрасли. У каждой сферы свой язык и свои нормы, и универсальная модель тут постоянно спотыкается. Поэтому ElevenLabs делает отдельные модели распознавания речи (Speech to Text — превращение голоса в текст), которые знают термины индустрии: например, EBITDA в финансах или HIPAA в госсекторе. Так появилась Scribe v3 Medical — медицинская модель расшифровки. Она распознаёт тысячи сложных медицинских терминов с гораздо большей точностью и, что важнее, различает похожие названия лекарств вроде cycloserine и cyclosporine. Разница в одну букву — а на кону лечение туберкулёза вместо иммунодепрессанта. Модель под финансовый сектор, по словам Станишевски, уже в работе.

Третья новость — про тонкую настройку. В ближайшие месяцы ElevenLabs будет помогать бизнесу дообучать и открытые языковые модели, и свои голосовые модели под конкретную компанию. Ты приносишь данные из реальной работы, выбираешь метрику, которая тебе важна (удовлетворённость клиента CSAT или надёжность), и вместе с исследователями компании доводишь модель до нужного состояния. Станишевски сравнил это с личной системой обучения с подкреплением для каждой фирмы: модель постоянно улучшается на каждом новом разговоре.

Что это даёт лично тебе

Мама в декрете, которая делает аудиосказки. Раньше приходилось записывать ночью, пока дети спят, и переписывать по десять дублей. Теперь текст вставляется в сервис, выбирается голос — и сказка звучит с эмоциями, а не с интонацией автоответчика.

Владелец кофейни у метро. Записывает голосовое меню для службы доставки и приветствие в телефоне: не нужно искать диктора, платить за студию и ждать неделю. Полчаса работы — и клиент слышит живой, тёплый голос.

Фрилансер-дизайнер. Показывает клиенту не PDF с картинками, а видео, где каждый экран озвучен. Свой голос записывать неловко, а нейросеть читает так, будто рядом сидит профессиональный ведущий, — и презентация выглядит дороже.

Студент-медик. Лекции и собственные диктофонные заметки превращает в текст: Scribe v3 Medical не превратит одно лекарство в другое и не перепутает термины, на которых обычные транскрибаторы ломаются.

Врач в поликлинике. Надиктовывает приём и назначения голосом — и получает на выходе аккуратный текст, где сложные названия препаратов написаны правильно.

Монтажёр коротких видео или владелец маленького агентства. Делает озвучку роликов для местного бизнеса на заказ: нейросетевая озвучка текста сегодня — это услуга, за которую платят, а порог входа — один ноутбук.

Как попробовать прямо сейчас

1. Зайди на ElevenLabs и создай аккаунт — регистрация занимает пару минут. Для первых коротких тестов обычно хватает бесплатного стартового режима; если лимита не окажется, демо на сайте всё равно дадут послушать.

2. Открой озвучку текста онлайн (Text to Speech). Не пиши туда «тест-тест», возьми реальный кусок работы: описание своего товара, пост в соцсети или первые два абзаца этой статьи. На живом тексте разница слышна сразу.

3. Прогони один и тот же отрывок через несколько голосов подряд. Слушай не слова, а интонации: где голос «садится», где делает лишнюю паузу. Это и есть проверка на естественность.

4. Скачай готовый аудиофайл и вставь в видео, рилс или в голосовое приветствие. Один готовый ролик важнее десяти отложенных идей.

5. Если ты работаешь с пациентами, звонками или консультациями — присмотрись к Scribe v3 Medical и к дообучению моделей на своих данных: в ближайшие месяцы это можно будет обсудить с исследователями ElevenLabs.

Что станет лучше, а что пока сыро

Плюсы понятны. Раньше за естественную озвучку платили диктору и ждали студию — теперь тот же результат получается за минуты и без нервов. Отраслевые модели убирают самый дорогой вид ошибки: когда техника уверенно пишет неправильное слово. А дообучение под свою компанию даёт то, чего не купишь ни за какие деньги, — голос, который говорит как ты.

Минусы тоже честно: дообучение моделей под себя — это «в ближайшие месяцы», а не кнопка сегодня; медицина и финансы требуют своих моделей, и универсальная тут не заменит; а живой голос — не то же самое, что правильный смысл, поэтому тексты всё равно придётся вычитывать перед озвучкой. И да, эмоциональная подача — это не «включил и забыл», подбирать голос придётся руками.

В итоге сделай один тест сегодня

Через полгода голосовой ИИ будет там же, где сегодня облако: незаметно и везде. Разница только в том, научишься ты с ним работать сейчас или будешь догонять. Действие на сегодня одно: возьми свой самый скучный текст — описание услуги, инструкцию для сотрудника, пост для канала — и озвучь его на ElevenLabs. Пять минут, и у тебя будет первый ответ на вопрос, нужен ли тебе свой голос. Результатом делись в комментариях у @aigoby — заодно подскажем, какой голос звучит живее.

🎁 Бонус: промпт для сценария озвучки

Скопируй в любую языковую модель и подставь своё:

```text

Ты — сценарист аудиоролика. Тема: [что рекламируем или о чём рассказываем].

Кому говорим: [например, владельцы небольших кофеен].

Длительность: 30 секунд вслух.

Задача:

1. Напиши текст, который приятно слышать: короткие фразы, живая разговорная речь, без канцелярита и штампов.

2. Начни с первой фразы, которая цепляет, но не кричит «купи».

3. Расставь пометки для озвучки в квадратных скобках: [пауза], [мягче], [быстрее], [с улыбкой].

4. Дай 2 версии: тёплую и деловую — чтобы я сравнил, какая лучше ложится на мой голос.

5. В конце — вывод: сколько слов получилось и какие пометки для интонации главные.

```

Сохрани статью в закладки: когда ElevenLabs откроет дообучение моделей под конкретные компании, вернёшься к ней уже с готовым сценарием и своим текстом.