ElevenLabs Eleven v4: عربی میں زیادہ تیز اور زیادہ تاثراتی مشینی آواز

28 ستمبر 2026 کو ElevenLabs نے ٹیکسٹ ٹو اسپیچ کے دو نئے ماڈل لانچ کیے: Eleven v4، جو اس کا سب سے اعلیٰ معیار اور سب سے زیادہ تاثراتی ماڈل ہے، اور Eleven v4 Turbo، جو ریئل ٹائم گفتگو کے لیے بنایا گیا ہے اور جس کی میڈین جنریشن لیٹنسی تقریباً 100 ملی سیکنڈ ہے۔ دونوں عربی سمیت 90 سے زیادہ زبانوں کو سپورٹ کرتے ہیں، اور 12 اکتوبر تک ان کی API قیمتوں پر 72% رعایت ہے۔ کاروباری مالکان کے لیے نتیجہ یہ ہے: فون اٹھانے والے خودکار ریسپشنسٹ اور آپ کے درمیان اب آواز بذاتِ خود رکاوٹ نہیں رہی۔ اصل رکاوٹ اب وہ معلومات ہیں جن پر یہ انحصار کرتا ہے، وہ اصول جو طے کرتے ہیں کہ یہ کیا کہے، اور یہ کہ یہ کال کسی انسان کو کب منتقل کرے۔

اصل میں کیا جاری ہوا ہے؟

کمپنی کی سرکاری دستاویزات میں ماڈلز کے صفحے کے مطابق، یہ ریلیز دو ماڈلز پر مشتمل ایک فیملی ہے:

  • Eleven v4: اعلیٰ ترین معیار کا ماڈل، جو وائس اوورز، متعدد بولنے والوں کے مکالموں، آڈیو بُکس اور کثیر لسانی منصوبوں کے لیے ہے۔ ایک درخواست میں زیادہ سے زیادہ 10,000 حروف، یعنی تقریباً 10 منٹ کی آڈیو قبول کی جاتی ہے، جبکہ پچھلی نسل v3 میں یہ حد 5,000 حروف تھی۔
  • Eleven v4 Turbo: ایک ریئل ٹائم ورژن جس کی میڈین جنریشن لیٹنسی تقریباً 100 ملی سیکنڈ ہے، اور کمپنی کے بتائے گئے استعمالات میں کسٹمر سپورٹ ایجنٹس اور AI معاونین سرفہرست ہیں۔

زبانوں کا دائرہ v3 کی 70 سے زیادہ زبانوں سے بڑھ کر 90 سے زیادہ ہو گیا ہے، اور دونوں ماڈلز آڈیو ٹیگز کو سپورٹ کرتے ہیں جو ادائیگی اور لہجے کو کنٹرول کرتے ہیں۔ TechCrunch نے رپورٹ کیا کہ یہ ماڈل 10 سیکنڈ کے نمونے سے آواز کلون کر سکتا ہے، اور معیار میں سب سے بڑی بہتری جاپانی، برازیلی پرتگالی، مینڈارن اور کینٹونیز میں آئی، یعنی عربی ان زبانوں میں شامل نہیں تھی جنہیں اعلان میں نمایاں کیا گیا۔

اصل میں اس کی لاگت کتنی ہے؟

ElevenLabs اپنی API کی قیمت امریکی ڈالر میں فی 1,000 حروف مقرر کرتا ہے۔ سرکاری قیمتوں کے صفحے پر Eleven v4 کی قیمت $0.08 کے بجائے $0.022 ہے، اور Turbo کی قیمت $0.04 کے بجائے $0.011 ہے، اور یہ رعایت 12 اکتوبر تک جاری رہے گی۔ چونکہ دستاویزات 10,000 حروف کو تقریباً 10 منٹ کی آڈیو کے برابر قرار دیتی ہیں، اس لیے ایک موٹا اصول یہ ہے کہ ہر منٹ کی گفتگو کے لیے تقریباً 1,000 حروف درکار ہوتے ہیں۔

ایک عملی مثال: ایک کسٹمر سروس لائن جس میں وائس ایجنٹ ماہانہ 1,000 منٹ بولتا ہے، تقریباً دس لاکھ حروف استعمال کرتی ہے۔ رعایت ختم ہونے کے بعد آواز کی لاگت Turbo کے ساتھ تقریباً $40 ماہانہ اور v4 کے ساتھ تقریباً $80 ہوگی۔ یہ صرف آواز کی لاگت ہے؛ جواب طے کرنے والا لینگویج ماڈل، گاہک کی کہی ہوئی بات کی ٹرانسکرپشن، فون لائن اور آپ کے سسٹمز کے ساتھ انٹیگریشن الگ اخراجات ہیں، اور عموماً بل کا بڑا حصہ یہی ہوتے ہیں۔

یہ آپ کے کاروبار میں کہاں مدد کر سکتا ہے؟

  • کام کے اوقات کے بعد کالز کا جواب دینا: کسی کلینک میں اپائنٹمنٹ بک کرنا، آرڈر کی صورتحال چیک کرنا، یا کھلنے کے اوقات اور پتے کے بارے میں پوچھنا، وہ بھی "1 دبائیں، 2 دبائیں" والے طویل فون مینیو کے بغیر۔
  • مواد کے لیے وائس اوور: عربی اور انگریزی میں پروڈکٹ ویڈیوز، اندرونی تربیت اور نئے ملازمین کے لیے سسٹمز کا تعارف، ہر ویڈیو میں ایک جیسی آواز کے ساتھ اور ہر بار اسٹوڈیو بک کیے بغیر۔
  • زیادہ لوگوں تک پہنچنا: جو لوگ سننا پسند کرتے ہیں ان کے لیے تحریری مواد پڑھ کر سنانا، یا غیر ملکی کارکنوں کو ان کی اپنی زبانوں جیسے اردو، ہندی اور فلپائنی میں خدمت فراہم کرنا، جو سب سپورٹ شدہ زبانوں کی فہرست میں شامل ہیں۔

اس سے پہلے کہ کوئی مشینی آواز آپ کے گاہکوں کو جواب دے

آواز کا بہتر معیار غلطیوں کو کم نہیں بلکہ زیادہ قائل کرنے والا بنا دیتا ہے۔ جو ایجنٹ پُراعتماد، انسانی لہجے میں بات کرے اور پھر گاہک کو ایسی اپائنٹمنٹ دے دے جس کا وجود ہی نہ ہو، وہ ایک بیزار کن فون مینیو سے بھی بدتر ہے۔ اسی لیے کوئی بھی فراہم کنندہ منتخب کرنے سے پہلے ہم اپنے کلائنٹس کے ساتھ ان سوالات سے آغاز کرتے ہیں:

  • اس کے جوابات کہاں سے آتے ہیں؟ ایجنٹ کو ایک بار لکھے گئے مقررہ اسکرپٹ سے نہیں بلکہ آپ کے بکنگ، انوینٹری یا آرڈر سسٹم سے براہِ راست پڑھنا چاہیے۔ ہم نے اس کی وضاحت AI کے لیے کمپنی کا نالج بیس بنانا میں کی ہے۔
  • یہ کسی انسان کو کب منتقل کرتا ہے؟ شکایات، بڑی رقوم اور ناراض گاہک فوری طور پر کسی انسان کے پاس جاتے ہیں، ساتھ میں گفتگو کا خلاصہ بھی۔ تفصیلات معاون سے آپ کے عملے کو گفتگو منتقل کرنا میں ہیں۔
  • کیا لہجہ آپ کے گاہکوں کے مطابق ہے؟ دستاویزات عربی کو لہجوں کی تفصیل کے بغیر درج کرتی ہیں، اس لیے اسے اپنی اصل کالز کے اسکرپٹس پر آزمائیں: محلوں کے نام، آپ کی مصنوعات کے نام، اعداد اور ہجری تاریخیں۔
  • ڈیٹا اور رضامندی کا کیا ہوگا؟ کال ریکارڈنگز اور ٹرانسکرپٹس ذاتی ڈیٹا ہیں جن پر ذاتی ڈیٹا کے تحفظ کا قانون (PDPL) لاگو ہوتا ہے، اور کسی ملازم کی آواز کلون کرنے کے لیے اس کی واضح رضامندی ضروری ہے۔ دیکھیں PDPL کے تحت گاہکوں سے گفتگو اور AI۔
  • کیا گاہک جانتا ہے کہ وہ مشین سے بات کر رہا ہے؟ پہلے ہی جملے میں یہ بتا دینا اعتماد کو محفوظ رکھتا ہے، خاص طور پر اس لیے کہ کلون شدہ آوازیں دھوکہ دہی کا ایک معروف ذریعہ بن چکی ہیں، جیسا کہ ہم نے اپنے کاروبار کو ڈیپ فیک فراڈ سے بچانا میں بیان کیا۔

کیا آپ کو ابھی تبدیلی کرنی چاہیے؟

اگر آپ کے پاس پہلے سے v3 یا Multilingual v2 پر چلنے والا ایسا سسٹم ہے جو اپنا کام کر رہا ہے تو جلدی کی کوئی ضرورت نہیں۔ دستاویزات کے مطابق Eleven v4 ٹیکسٹ ٹو ڈائیلاگ API (Text to Dialogue API) کے ذریعے اور Turbo اپنے websocket کنکشن کے ذریعے دستیاب ہے، اس لیے تبدیلی سے پہلے تصدیق کر لیں کہ آپ کا موجودہ انٹیگریشن اسے سپورٹ کرتا ہے۔ بہتر قدم یہ ہے کہ رعایت کی مدت کو اپنے اصل اسکرپٹس کے ایک نمونے پر آمنے سامنے موازنہ کرنے کے لیے استعمال کریں، اور پھر عارضی قیمت کے بجائے نتائج اور پوری قیمت کی بنیاد پر فیصلہ کریں۔

Origami میں ہم اسے کیسے بناتے ہیں

ہم وائس انجن کو سسٹم کی بنیاد نہیں بلکہ ایک قابلِ تبدیل پرزہ سمجھتے ہیں۔ کیا کہا جائے یہ طے کرنے والی منطق، بکنگ، بلنگ اور انوینٹری سسٹمز کے ساتھ انٹیگریشن، کال لاگ اور منتقلی کے اصول سب آپ کی طرف اور آپ کے کنٹرول میں بنائے جاتے ہیں۔ اس طرح آپ آج Eleven v4 آزما سکتے ہیں اور اگر قیمت بدل جائے یا آپ کے گاہکوں کے لہجے کے لیے زیادہ موزوں ماڈل آ جائے تو سب کچھ دوبارہ بنائے بغیر کل کسی دوسرے فراہم کنندہ پر منتقل ہو سکتے ہیں۔ اگر آپ بالکل شروع سے آغاز کر رہے ہیں تو کسٹمر سروس میں وائس AI پر ہمارا مضمون پوری تصویر پیش کرتا ہے۔

ہمارا عملی مشورہ: ایک محدود عمل منتخب کریں، جیسے اپائنٹمنٹ کی تصدیق یا آرڈر کی صورتحال چیک کرنا، اسے دو ہفتوں تک اپنی کالز کے ایک حصے پر چلائیں، پھر ناپیں کہ کتنی کالز منتقلی کے بغیر ختم ہوئیں، غلطی کی شرح کیا رہی اور گاہکوں کا اطمینان کتنا رہا۔ آپ کی اپنی کالز کے اصل اعداد و شمار کسی موازنہ جدول کی کسی بھی درجہ بندی سے زیادہ دیانت دار ہوتے ہیں۔

ذرائع