ElevenLabs компани дуу хоолойг илүү уян хатан удирдах боломжтой v4 болон v4 Turbo загваруудаа даваа гарагт нэвтрүүлж, үйлчилгээний цар хүрээгээ өргөжүүлэв.
Шинэ загварууд нь архитектурын хувьд шинэчлэгдсэнээр дуу хоолойг хувилах хурдыг нэмэгдүүлж, ердөө 10 секундын аудио ашиглан дуу хоолойг дуурайх боломжийг олгож байна. Мөн текст унших явцад агуулгыг илүү сайн ойлгож, илэрхийлэмжийг өөрчлөх чадвар сайжирснаас гадна, хэрэглэгчид “inline” таг ашиглан дуу хоолойн өнгө аясыг нарийвчлан удирдах боломжтой болжээ. Одоогоор 90 гаруй хэлийг дэмжиж байгаа бөгөөд япон, португал, мандарин болон кантон хэл дээрх дуу хоолойн чанар мэдэгдэхүйц сайжирсан байна.
Байгууллагын түвшний үйлчилгээндээ анхаарч буй тус компани шинэ загварын хоцрогдлыг багасгаснаар дуут агентуудын яриаг илүү шингэн болгох боломжийг бүрдүүлжээ. ElevenLabs-ын гүйцэтгэх захирал Мати Станишевский ойрын жилүүдэд хувьцаагаа олон нийтэд нээлттэй арилжаалах (IPO) төлөвлөгөөтэй байгаа ч тодорхой хугацаа заагаагүй байна.
Тус стартап нь оны эхэнд Sequoia тэргүүтэй хөрөнгө оруулагчдаас 500 сая долларын санхүүжилт татаж, зах зээлийн үнэлгээгээ 11 тэрбум долларт хүргэсэн юм. Одоогийн байдлаар компанийн жилийн орлогын хэмжээ 600 сая доллароос давж, ажилтнуудын тоо 800-д хүрээд байгаа бөгөөд зах зээлийн үнэлгээг 22 тэрбум долларт хүргэх дараагийн шатны хөрөнгө оруулалтын яриа хэлэлцээ хийгдэж буй тухай мэдээлэл байна.
Дэлгэрэнгүйг эх сурвалжаас харах
↓Эх сурвалжийг нээх ↓
ElevenLabs launched two new speech models on Monday, called ElevenLabs v4 and v4 Turbo, offering more expression control, lower latency for voice agents, and support for more than 90 languages.
The company released its v3 model last year, and teased the model at an event in Warsaw earlier this year. For the v4 generation of models, ElevenLabs is adopting a new architecture that allows for better control and faster cloning. The company said that with v4, users will be able to clone a voice with just 10 seconds of audio.
On the creative side, the model handles voice identity better over longer chunks of text. It also keeps the context of the text in mind while reading it aloud to change expressions. ElevenLabs introduced inline tags to define expression with v3, and is expanding those tags in v4, letting users stack multiple tags and having the model follow the sequence.
The previous version supported 70 languages, and ElevenLabs has worked to get that number up to 90 languages with the new version. The startup said that it observed the biggest quality jump in Japanese, Brazilian Portuguese, Mandarin and Cantonese.
ElevenLabs has scaled its enterprise calling business rapidly over the last year, with more than 55% of its business coming from large companies. The company said that the new model is suited for voice agents, as the new version has lower latency to allow for more fluid conversation. Plus, the v4 can start generating audio as soon as the LLM behind it starts generating answers. What’s more, the model can also handle confrontations, escalations, and holds differently for better issue resolution.
Competition in speech models has ramped up as startups like Cartesia, Deepgram, Fish Audio, Boson, and WellSaid Labs have created expressive speech models. Big companies like Google and OpenAI have also improved their voice models.
ElevenLabs raised $500 million earlier this year from Sequoia earlier this year, in a round led by Sequoia that valued the company at $11 billion. There are already rumors of a followup fundraising round that would value the company at $22 billion. ElevenLabs annualized revenue run rate has climbed from roughly $330 million at the start of the year to over $600 million. The company has aggressively hired personnel in different markets such as India, Europe, and Brazil, as its headcount has reached over 800.
In a recent interview with TechCrunch, the company’s co-founder and CEO Mati Staniszewski said that the company is aiming for an IPO “in the next years,” but didn’t commit to a timeline.
When you purchase through links in our articles, we may earn a small commission. This doesn’t affect our editorial independence.
