ElevenLabs Eleven v4: अरबी में ज़्यादा तेज़ और ज़्यादा भावपूर्ण मशीनी आवाज़

28 सितंबर 2026 को ElevenLabs ने दो नए टेक्स्ट-टू-स्पीच मॉडल लॉन्च किए: Eleven v4, उसका सबसे उच्च गुणवत्ता वाला और सबसे भावपूर्ण मॉडल, और Eleven v4 Turbo, जो रियल-टाइम बातचीत के लिए बना है और जिसकी मीडियन जनरेशन लेटेंसी लगभग 100 मिलीसेकंड है। दोनों अरबी सहित 90 से ज़्यादा भाषाओं का समर्थन करते हैं, और 12 अक्टूबर तक इनकी API कीमतों पर 72% की छूट है। व्यवसाय मालिकों के लिए सीख यह है: फ़ोन उठाने वाले स्वचालित रिसेप्शनिस्ट और आपके बीच अब आवाज़ अपने आप में बाधा नहीं है। असली बाधा अब वह जानकारी है जिस पर यह निर्भर करता है, वे नियम जो तय करते हैं कि यह क्या कहे, और यह कि यह कॉल किसी इंसान को कब सौंपे।

असल में क्या जारी हुआ है?

कंपनी के आधिकारिक दस्तावेज़ों में मॉडल पेज के अनुसार, यह रिलीज़ दो मॉडलों का एक परिवार है:

  • Eleven v4: सर्वोच्च गुणवत्ता वाला मॉडल, जो वॉयसओवर, कई वक्ताओं वाले संवाद, ऑडियोबुक और बहुभाषी परियोजनाओं के लिए है। एक अनुरोध में अधिकतम 10,000 अक्षर, यानी लगभग 10 मिनट का ऑडियो स्वीकार किया जाता है, जबकि पिछली पीढ़ी v3 में यह सीमा 5,000 अक्षर थी।
  • Eleven v4 Turbo: एक रियल-टाइम संस्करण जिसकी मीडियन जनरेशन लेटेंसी लगभग 100 मिलीसेकंड है, और कंपनी द्वारा बताए गए उपयोगों में ग्राहक सहायता एजेंट और AI सहायक सबसे ऊपर हैं।

भाषाओं का दायरा v3 की 70 से ज़्यादा भाषाओं से बढ़कर 90 से ज़्यादा हो गया है, और दोनों मॉडल ऑडियो टैग का समर्थन करते हैं जो बोलने के अंदाज़ और लहजे को नियंत्रित करते हैं। TechCrunch ने बताया कि यह मॉडल 10 सेकंड के नमूने से आवाज़ क्लोन कर सकता है, और गुणवत्ता में सबसे बड़ी छलांग जापानी, ब्राज़ीलियाई पुर्तगाली, मंदारिन और कैंटोनीज़ में आई, यानी अरबी उन भाषाओं में नहीं थी जिन पर घोषणा ने ज़ोर दिया।

असल में इसकी लागत कितनी है?

ElevenLabs अपनी API की कीमत अमेरिकी डॉलर में प्रति 1,000 अक्षर तय करता है। आधिकारिक मूल्य पेज पर Eleven v4 की कीमत $0.08 के बजाय $0.022 है, और Turbo की कीमत $0.04 के बजाय $0.011 है, और यह छूट 12 अक्टूबर तक चलेगी। चूँकि दस्तावेज़ 10,000 अक्षरों को लगभग 10 मिनट के ऑडियो के बराबर मानते हैं, इसलिए मोटा नियम यह है कि हर मिनट की आवाज़ के लिए लगभग 1,000 अक्षर चाहिए।

एक व्यावहारिक उदाहरण: एक ग्राहक सेवा लाइन जिसमें वॉयस एजेंट महीने में 1,000 मिनट बोलता है, लगभग दस लाख अक्षर इस्तेमाल करती है। छूट ख़त्म होने के बाद आवाज़ की लागत Turbo के साथ लगभग $40 प्रति माह और v4 के साथ लगभग $80 होगी। यह सिर्फ़ आवाज़ की लागत है; जवाब तय करने वाला भाषा मॉडल, ग्राहक की कही बात का ट्रांसक्रिप्शन, फ़ोन लाइन और आपके सिस्टम के साथ इंटीग्रेशन अलग लागतें हैं, और आमतौर पर बिल का बड़ा हिस्सा यही होती हैं।

यह आपके व्यवसाय में कहाँ मदद कर सकता है?

  • कामकाजी घंटों के बाद कॉल का जवाब देना: किसी क्लिनिक में अपॉइंटमेंट बुक करना, ऑर्डर की स्थिति जाँचना, या खुलने के समय और पते के बारे में पूछना, वह भी "1 दबाएँ, 2 दबाएँ" वाले लंबे फ़ोन मेन्यू के बिना।
  • कंटेंट के लिए वॉयसओवर: अरबी और अंग्रेज़ी में प्रोडक्ट वीडियो, आंतरिक प्रशिक्षण और नए कर्मचारियों के लिए सिस्टम की जानकारी, हर वीडियो में एक जैसी आवाज़ के साथ और हर बार स्टूडियो बुक किए बिना।
  • ज़्यादा लोगों तक पहुँचना: जो लोग सुनना पसंद करते हैं उनके लिए लिखित सामग्री पढ़कर सुनाना, या प्रवासी कामगारों को उनकी अपनी भाषाओं, जैसे उर्दू, हिंदी और फ़िलिपिनो, में सेवा देना, जो सभी समर्थित भाषाओं की सूची में हैं।

मशीनी आवाज़ के आपके ग्राहकों को जवाब देने से पहले

बेहतर आवाज़ की गुणवत्ता गलतियों को कम नहीं, बल्कि ज़्यादा विश्वसनीय बना देती है। जो एजेंट आत्मविश्वास भरे, इंसानी लहजे में बात करे और फिर ग्राहक को ऐसा अपॉइंटमेंट दे दे जो मौजूद ही नहीं है, वह एक उबाऊ फ़ोन मेन्यू से भी बुरा है। इसीलिए कोई भी प्रदाता चुनने से पहले हम अपने क्लाइंट्स के साथ इन सवालों से शुरुआत करते हैं:

  • इसके जवाब कहाँ से आते हैं? एजेंट को एक बार लिखी गई स्थिर स्क्रिप्ट से नहीं, बल्कि आपके बुकिंग, इन्वेंटरी या ऑर्डर सिस्टम से लाइव पढ़ना चाहिए। हमने इसे AI के लिए कंपनी का नॉलेज बेस बनाना में समझाया है।
  • यह किसी इंसान को कब सौंपता है? शिकायतें, बड़ी रकम और नाराज़ ग्राहक तुरंत किसी इंसान के पास जाते हैं, साथ में बातचीत का सारांश भी। विवरण सहायक से आपके स्टाफ़ को बातचीत सौंपना में है।
  • क्या लहजा आपके ग्राहकों के अनुकूल है? दस्तावेज़ अरबी को बोलियों के विवरण के बिना सूचीबद्ध करते हैं, इसलिए इसे अपनी असली कॉल की स्क्रिप्ट पर परखें: मोहल्लों के नाम, आपके उत्पादों के नाम, संख्याएँ और हिजरी तारीख़ें।
  • डेटा और सहमति का क्या? कॉल रिकॉर्डिंग और ट्रांसक्रिप्ट व्यक्तिगत डेटा हैं जिन पर व्यक्तिगत डेटा संरक्षण कानून (PDPL) लागू होता है, और किसी कर्मचारी की आवाज़ क्लोन करने के लिए उसकी स्पष्ट सहमति ज़रूरी है। देखें PDPL के तहत ग्राहक बातचीत और AI।
  • क्या ग्राहक जानता है कि वह मशीन से बात कर रहा है? पहले ही वाक्य में यह बताना भरोसे की रक्षा करता है, ख़ासकर इसलिए कि क्लोन की गई आवाज़ें धोखाधड़ी का जाना-माना हथियार बन चुकी हैं, जैसा कि हमने अपने व्यवसाय को डीपफ़ेक धोखाधड़ी से बचाना में बताया था।

क्या आपको अभी बदलाव करना चाहिए?

अगर आपके पास पहले से v3 या Multilingual v2 पर चलने वाला ऐसा सिस्टम है जो काम कर रहा है, तो जल्दबाज़ी की ज़रूरत नहीं है। दस्तावेज़ों के अनुसार Eleven v4 Text to Dialogue API के ज़रिए और Turbo अपने websocket कनेक्शन के ज़रिए उपलब्ध है, इसलिए बदलाव से पहले पुष्टि करें कि आपका मौजूदा इंटीग्रेशन इसका समर्थन करता है। बेहतर कदम यह है कि छूट की अवधि का उपयोग अपनी असली स्क्रिप्ट के एक नमूने पर आमने-सामने तुलनात्मक परीक्षण के लिए करें, और फिर अस्थायी कीमत नहीं, बल्कि नतीजों और पूरी कीमत के आधार पर फ़ैसला लें।

Origami में हम इसे कैसे बनाते हैं

हम वॉयस इंजन को सिस्टम की नींव नहीं, बल्कि एक बदलने योग्य हिस्सा मानते हैं। क्या कहा जाए यह तय करने वाला लॉजिक, बुकिंग, बिलिंग और इन्वेंटरी सिस्टम के साथ इंटीग्रेशन, कॉल लॉग और हैंडओवर के नियम, सब आपकी तरफ़ और आपके नियंत्रण में बनाए जाते हैं। इस तरह आप आज Eleven v4 आज़मा सकते हैं और अगर कीमत बदल जाए या आपके ग्राहकों की बोली के लिए ज़्यादा उपयुक्त कोई मॉडल आ जाए, तो सब कुछ दोबारा बनाए बिना कल किसी दूसरे प्रदाता पर जा सकते हैं। अगर आप शुरुआत से शुरू कर रहे हैं, तो ग्राहक सेवा में वॉयस AI पर हमारा लेख पूरी तस्वीर सामने रखता है।

हमारी व्यावहारिक सलाह: एक सीमित प्रक्रिया चुनें, जैसे अपॉइंटमेंट की पुष्टि या ऑर्डर की स्थिति जाँचना, इसे दो हफ़्तों तक अपनी कॉल के एक हिस्से पर चलाएँ, फिर मापें कि कितनी कॉल बिना हैंडओवर के ख़त्म हुईं, त्रुटि दर क्या रही और ग्राहक संतुष्टि कितनी रही। आपकी अपनी कॉल के असली आँकड़े किसी तुलना तालिका की किसी भी रैंकिंग से ज़्यादा ईमानदार होते हैं।

स्रोत