У Seedance 2.5 появился Draft Mode - и это, пожалуй, одна из самых нарядных фич для AI-видео за последнее время

Идея простая: сначала генерируем дешёвый черновик в 480p. Не понравился -> выбрасываем. Понравился -> отправляем именно этот draft на финальную генерацию в нативных 1080p.

И важный момент: это НЕ обычный upscale.

При переходе 480p -> 1080p Seedance делает новую генерацию, но привязанную к выбранному черновику. Сохраняются prompt, references, seed, aspect ratio, duration и другие параметры. Поэтому модель КАК БЫ старается удержать композицию, движение камеры, действия персонажей, тайминг и общее creative direction. Надо проверять.

Пиксель-в-пиксель результат не идентичен - мелкие детали, лица, волосы, текстуры и фон могут измениться.

ByteDance заявляет экономию на итерациях до 77%. Финальный 1080p от этого магически дешевле не становится - экономия возникает потому, что все эксперименты мы гоняем в 480p и платим за HD только для выбранных дублей.

Попробовать уже можно официально в BytePlus:
https://ai.byteplus.com/en/product/seedance

Есть более человеческая реализация в Magnific: Seedance 2.5 -> Draft -> выбираем понравившийся ролик -> Generate in HD.
https://magnific.ai/

Artlist тоже уже поддерживает workflow 480p -> Render to 1080p:
https://help.artlist.io/hc/en-us/articles/38194082501021-Seedance-2-5

Теперь про деньги.

BytePlus, разумеется, решил не портить нам жизнь какой-нибудь понятной ценой вроде "$0.20 за секунду".

Поэтому Seedance 2.5 стоит:

$6.40 / 1M токенов - если есть video input
$10.70 / 1M токенов - без video input

Почему генерация без входного видео дороже и сколько конкретно долларов будет стоить ваш 10-секундный 1080p ролик - непонятки.
https://ai.byteplus.com/en

@cgevent

#Сеня_и_Даня_здесь_были

Вы плохо молитесь, поэтому будете смотреть это раз в день.

Прекраснейший референс для этого Сиданс-кальмар-шоу выложу в первый комент.

@cgevent

Black Forest Labs продолжает издеваться над людьми, которые ждут от них веса FLUX.3 для видео.

Что логично выпустить дальше?

Правильно. Модель для робатов.

BFL выкатила FLUX 3 Action - 7B World Action Model, которая смотрит через камеры на окружающий мир, получает команду и предсказывает сразу будущие кадры плюс следующие 32 действия робата.

То есть технически штука действительно интересная, но нам это зачем???


https://bfl.ai/models/flux-3-action

https://github.com/black-forest-labs/flux-action

https://huggingface.co/collections/black-forest-labs/flux-3-action

И я прекрасно понимаю стратегию. Image -> video -> world model -> action model -> embodied AI. Большие деньги, промышленность, роботы, Audi, автоматизация, вот это вот всё.

Но можно нам сначала FLUX3.VIDEO?

Ждём FLUX 4 Forklift.

#явярости

@cgevent

Ютюберы в кучу

Автомонтаж подъехал.

Здесь такой дисклеймер, что Flash 3.8 - это лучшая модель для понимания видео, аудио и вообще любых модальностей. Дело в том, что в посте про мультимодальность я немножко облажался. Мне потребовалось сделать небольшой ресерч, чтобы выяснить, что все вот эти громкие заявления, что наша модель мультимодальная, - это на самом деле то, что она понимает картинки и текст. И всё.

То есть два — это уже мультимодальность. И никто, ни DeepSeek, ни какой-нибудь Kimi, никто не понимает на вход, например, аудио. И в этом смысле Gemini — это единственная модель, которая реально хавает всё. Ну хорошо, еще новый Qwen Omni.

Я даже специально спросил: а вот эта наша новая Astra, она же мультимодальная, она может понимать аудио на вход? Ответ: нет. Она принимает на вход только текст и картинки. Я честно пытался засовывать в неё MP3 файлы, она галлюцинирует. Поэтому в этом смысле новость, вообще говоря, бомба. Потому что Google строит прямо интересную систему вокруг мультимодальности Flash 3.8, ну и, надеемся, Gemini 4.

YouTube показал, пожалуй, одну из самых интересных фишек - полноценного разговорного монтажёра на Gemini Omni.

Идея простая: загружаешь исходники в Shorts или YouTube Create и вместо ручного ковыряния таймлайна начинаешь разговаривать с Gemini.

Например:

«Собери первый черновик»
-> «Убери паузы»
-> «Сделай начало динамичнее»
-> «Переставь эти куски»
-> «Синхронизируй монтаж с битом»
-> «Добавь текстовый hook»

Gemini сама режет речь, переставляет кадры, синхронизирует музыку и собирает первый монтаж. После этого можно руками полезть в обычный timeline, что-то поправить и снова отдать работу AI. То есть это не чёрный ящик «нажал кнопку - получил видео», а гибридный монтаж человек + модель.

Параллельно YouTube перестраивает вокруг AI вообще весь workflow автора.

YouTube Studio сможет смотреть ранний монтаж и давать персональные советы по темпу, структуре и сторителлингу.

Появится A/B-тестирование уже не только заголовков и превью, но и до трёх разных монтажных версий одного видео. Можно сделать три разных начала и посмотреть, какой hook реально лучше держит зрителя.

Dynamic Thumbnails смогут показывать разные из трёх превью разным сегментам аудитории, вместо попытки найти одно универсально лучшее.

Ask Studio сможет в фоне копаться в старых видео канала, находить кандидатов на повторное продвижение, предлагать новые превью и тестировать их.

Генерация thumbnails тоже становится персонализированной - YouTube пытается подстраивать изображения под стиль конкретного канала.

Плюс экспериментальный AI-модератор комментариев будет постепенно учиться на том, какие комментарии конкретный автор удаляет и оставляет.


На итоге, ютюберы:
-> исходники
-> автоматический первый монтаж
-> разговорные правки
-> ручная доводка
-> AI-анализ ролика
-> превью
-> A/B-тест разных монтажей
-> публикация
-> анализ старого каталога и попытка его оживить.

Пока это именно новая линейка анонсированных инструментов Made on YouTube 2026, а не набор функций, который сегодня одновременно появился у всех. Например, A/B-тест трёх монтажей YouTube прямо помечает как coming soon.

В общем, начинаем кричать, не на монтажера, а в монитор.

https://blog.youtube/news-and-events/made-on-youtube-new-tools-power-creation-journey/

@cgevent

#нейропрожарка

ШАПОЧКА

Автор: Дмитрий Кочубеев

Впервые заехал на MyFilm48 (тема: Москва 2050).
Все стандартно: видео до 3 минут за 96 часов.

Идея: Хотелось снять маленькое кино не про технологии и роботов, а про обычных живых людей. Про их взгляды, чувства и эмоции. Хотелось давно. Конкурс стал хорошим поводом.

Сценарий: Загнал ТЗ в разные ЛЛМ-ки и получил кучу синопсисов. Ни один из них не понравился. Кстати, некоторые из них просматривались в других работах конкурса. Видимо, ЛЛМ-ки ленятся и на один и тот же запрос выдают всем одно и то же. В итоге решил писать сценарий сам. На его роды ушло часов пять.
Герои и озвучка: Не хотелось дефолтных ИИшных лиц, поэтому искал нужные типажи с уникальной харизмой. Потом подбирал под эти лица голоса. И тут произошла забавная вещь. Изначально имен у них не было, но как только герои заговорили, стало совершенно ясно: это Саша и Лиза. Другие варианты просто отпали. Более того, по сценарию героиня планировалась с длинными волосами. Но в процессе генерации появилась Лиза, которую они только портили. Такое ощущение, что персонажи зажили своей жизнью, не спрашивая автора: сами выбрали себе и имена, и внешность.
Проработка кадра: Случайных вещей здесь мало. Дольше всего провозился с дроном-доставщиком, потратив на него больше часа, добиваясь нужного концепта. Дурацкий перфекционизм...
Саундтрек: Тут повезло. На мой взгляд, хорошо вписался трек, который я сделал еще год назад, а слова к нему были написаны вообще в 2024-м.
Монтаж: Уже утром, после ночи без сна, в день дедлайна возник жесткий выбор: делать монтаж без спешки или поехать проводить супругу на вокзал. Я выбрал второе. В итоге собирал всё в диком темпе и работу отправлял за 30 минут до кареты-в-тыкву.
Инструменты: SD 2.5, MJ 8.2, Banana, GPT2, Suno 4.5, LANDR, Topaz, FL Studio, Premiere, Photoshop, Opus 5, 11labs.
Итог: 3 ночи без сна и море эндорфинов.

Спасибо за внимание. Буду рад конструктиву и общению в комментариях.

@cgevent

Runway: выпустили плагин для DaVinci Resolve, Adobe Premiere и After Effects.

Он позволяет генерить, расширять и апскейлить видео / картинки прямо на таймлайне. Редактирование видео, включая апгрейд до HDR, тоже есть и делается через Aleph 2. Доступные модели для видео: Runway Gen-4.5, Veo 3.1, Seedance 2.5, и Kling 3.0 Pro. Для картинок: Gen-4 Image, Nano Banana и GPT Image 2.

Плагин есть на Windows и MacOS. На линукс попроси Клода.

Анонс
Сайт

#Сеня_и_Даня_здесь_были

Вы плохо молитесь, поэтому будете смотреть это раз в день.

Хотя это очень смешно. Надо было дожать тему с MadMax<->Minimax

@cgevent

Ответачка Метачки

Meta показала (но не бахнула) VR-очки за $1299, которые весят всего около 100 г.

И как тебе такое, Эппле-Маска?

Фокус простой: Meta вынесла процессор, батарею, память и основную электронику в отдельный внешний пак на кабеле. Сам пак весит около 300 г, так что вся система - примерно 400 г, но на кожаном лице остаются только 100 г.

Для сравнения, актуальный Apple Vision Pro M5 весит примерно 750-800 г на голове плюс отдельная батарея 353 г. Конец шейному отделу. То есть именно нагрузка на голову у Meta меньше примерно в 7-8 раз.

И стоит устройство $1299 против $3499 у Apple.

Фанаты Эппле тихо выли два года назад - вот следующая версия будет легче и дешевле (с надеждой).

Палучите.

Внутри два micro-OLED-дисплея 2412 x 2288 на глаз, до 120 Гц и около 37 PPD. По количеству пикселей Vision Pro впереди примерно вдвое, но Марк Гурман после демо пишет, что визуально картинка Meta уже довольно близка к Apple.

Главная жертва ради компактности - поле зрения. У Meta всего около 70x66 градусов против примерно 110x96 у Quest 3. То есть это не радикальный immersive VR, а скорее ставка на лёгкость, резкость и длительную работу.

(Эппле намеренно не публикует точного FOV, потому что он зависит от Light Seal, положения глаз и посадки. Независимые оценки обычно дают примерно 100x73, хотя измерения с более тонким Light Seal доходят примерно до 112x78-82)

Управление тоже очень в духе Vision Pro: глаза, руки, pinch-жесты, голос. Но есть интересная фишка - обычный стол можно превратить в виртуальную клавиатуру и трекпад. По отзывам журналистов, работает неожиданно хорошо.

Meta также обещает кино, несколько виртуальных мониторов, Quest-игры, Xbox Cloud Gaming, Dolby Vision/Atmos, IMAX Enhanced и свои Hologram-видеозвонки.

И тут у меня главный вопрос (опять) - а зачем?!?! Зачем вот это вот все за 1200 баксов? Смотреть Нетфликс и Киновотч?

Доля виар-гемеров - ничтожна среди нормального кожаного населения.

Голографические звонки - серьезно?

Зачем мне надевать эту байду на голову и носить в кармане горячий блок, облучающий мои тестикулы\яичники??

За время, прошедшее со времени фиаско с лыжной маской от Эппле, кожаные так и не придумали применения такого рода девайсам ДЛЯ МАССОВОГО ПРИМЕНЕНИЯ. В бизнесе (тренажеры, обучение, медицина) - да. А для людей с улицы - зачем, кроме просмотра кино и игрушек??

Ожидаю фиаско, но с более длинным хвостом. Часть Qвестовиков проапгрейдится (+400% к цене), а часть такая - 1200? - идите лесом.


Ссылки:
https://about.fb.com/news/2026/09/introducing-meta-vr-glasses-3d-movies-immersive-live-sports-100-grams/
https://www.theverge.com/tech/999517/meta-vr-glasses-connect-2026-hands-on
https://www.engadget.com/2267222/meta-vr-glasses-hands-on-hand-tracking/
https://www.uploadvr.com/meta-vr-glasses-officially-announced-connect-2026/

@cgevent

#Сеня_и_Даня_Здесь_Были

Время вечерней молитвы. А то в выходные вы расслабились без дедулиных постов.

За что вам это, вы помните.

Это не Сиданский, кстати, то Минимаксевич.

@cgevent

TrackGleam: мастеринг для Suno

Схема такая:
Suno -> готовый WAV -> TrackGleam -> финальный мастер.

TrackGleam берёт уже сгенерированный трек и пытается привести его в более аккуратный, плотный и «релизный» вид.

Что он умеет делать после Suno:

corrective EQ - поправляет общий частотный баланс;
dynamic EQ - давит проблемные частоты только тогда, когда они реально выпирают;
multiband compression - отдельно контролирует низ, середину и верх;
glue/parallel compression - делает микс более собранным;
upward compression - подтягивает тихие детали;
de-harsh - убирает неприятную резкость, особенно в верхней середине;
harmonic saturation / exciter - добавляет плотность и гармоники;
transient shaping - подчёркивает или сглаживает атаку ударных и других транзиентов;
stereo width и M/S processing - приводит в порядок стереобазу и центр;
soft clipping - аккуратно снимает пики;
true-peak limiting - доводит финальную громкость без вылета за пики;
dithering - корректно готовит файл к финальному экспорту.

Для AI-музики есть отдельные режимы AI Fix Gentle и AI Fix Strong.

Их задача - как раз бороться с ПЕСКОМ типичными артефактами генераторов: жёстким верхом, стеклянной серединой, неприятными сибилянтами, грязноватым tonal balance и слишком агрессивной компрессией.

При этом базовый режим бесплатный:
без регистрации;
без watermark;
можно скачать WAV;
обработка идёт прямо в браузере;
по заявлению разработчика, сам аудиофайл в бесплатном режиме на сервер не отправляется.

Есть и платный GleamAI с более индивидуальным подбором обработки.

Ссылки:

https://trackgleam.com/
https://trackgleam.com/pricing

@cgevent

Вот это работа!

И - Идея
С - Сценарий
М - Монтаж

Нейропржарщегам на заметку.

@cgevent

Seedance NSFW

Похоже мы имеем дело не с ТОЛЬКО с отдельной порнографической моделью ByteDance, но и с куда более интересной схемой.

Попросил друга исследовать вопрос подробно. Получилось для гиков.

Спойлер: да, есть порно-сиданс-модель, см пункт 8. Но только для энтерпрайза.

Для остальных - пункт 9 и чтение простыни.

Итак.

1. BytePlus действительно позволяет отключать часть модерации

В официальном ModelArk есть Content Filter. Он проверяет вход и выход модели, в том числе категории Nudity и Sexual Content.

И этот фильтр владелец inference endpoint (API провайдер) может отключить.

То есть у BytePlus safety - это не один намертво вшитый фильтр. Есть как минимум отдельный конфигурируемый слой модерации.

Но даже после его отключения остаются базовые safety policies самой платформы.

2. Значит ли это, что Seedance становится полностью uncensored?

Не совсем.

У BytePlus фактически два уровня:

входной Content Filter -> генерация Seedance -> output/model moderation.

Первый слой можно ослабить или отключить. Второй частично остаётся.

Поэтому правильнее говорить не «uncensored Seedance», а «Seedance с менее строгой конфигурацией moderation».

3. Самая интересная находка - Ofox

Ofox вообще не создаёт отдельную модель seedance-2.5-nsfw.

У них модель остаётся обычной:

bytedance/seedance-2.5

Но можно выбрать provider:

volcengine

или

byteplus

И в документации прямо указано, что Volcengine использует обычную строгую moderation, а BytePlus route допускает контент категории not-for-all-audiences / NSFW.

То есть модель одна и та же.

Меняется только маршрут.


4. А другие API просто прячут эту схему под отдельным model ID (но это не модель, а маршрут)

Например, Modelflare показывает:

seedance-2.5

и

seedance-2.5-nsfw

При этом у них одинаковые API endpoint, параметры, длительность, разрешения, reference workflow и общая схема вызова.

Фактически меняется только model ID.

Очень похоже, что -nsfw здесь - просто alias, который внутри выбирает другой provider или другую moderation configuration.

5. MeToken даёт ещё более интересный пример

В их документации есть реальный ответ API:

model: seedance-2-5-nsfw

и одновременно:

provider: byteplus

То есть пользователь вызывает якобы отдельную NSFW-модель, а дальше запрос уходит именно в BytePlus.

Это прекрасно укладывается в схему:

клиент -> API-агрегатор -> NSFW alias -> специальный BytePlus route -> обычный Seedance.

6. Поэтому реальная архитектура, скорее всего, выглядит примерно так

Для озабоченных нищебродов Seedance один. Для бизнеса - другая история и цены.

А дальше есть разные способы его употребления:

Volcengine route -> более строгая moderation.

BytePlus route -> другая moderation policy.

Внутри BytePlus ещё может быть отключаемый Content Filter, entitlement аккаунта и другие настройки.

А агрегаторы превращают всё это в красивые названия:

seedance-2.5

seedance-2.5-official

seedance-2.5-nsfw

seedance-2.5-self-developed

seedance-2.5-self-developed-nsfw

И это вовсе не обязательно пять разных чекпойнтов. Это вполне могут быть пять presets одной инфраструктуры.

7. А что с Moderation.Strategy = Skip

Вот здесь важное уточнение.

Официально BytePlus подтверждает возможность отключения Content Filter.

А несколько интеграторов BytePlus документируют ещё параметр:

Moderation.Strategy = "Skip"

который позволяет пропустить большую часть дополнительной pre-moderation.

Причём у некоторых API этот режим доступен не всем и может возвращать ошибку вроде:

moderation_skip_not_allowed

То есть очень похоже, что тут существует отдельный entitlement для определённых клиентов.

Но я пока не нашёл текущую публичную страницу BytePlus API Reference, где этот Strategy=Skip был бы прямо задокументирован самой BytePlus для всех пользователей.

Поэтому:

отключаемый Content Filter - подтверждено самим BytePlus.

Moderation.Strategy=Skip - подтверждается интеграторами.

Доступность Skip всем клиентам - не подтверждена.

8. Настоящий порно-доступ к непотребной модели Сиданса.

Если очень надо, нужно связываться с BytePlus, иметь компанию и получать отдельный B2B access.

Подтверждено подписчиками.

9. И всё это можно довольно ловко проверить экспериментально самому

Ofox позволяет взять одну и ту же модель:

bytedance/seedance-2.5

один и тот же prompt,

те же reference,

те же duration/resolution,

и поменять только:

provider = volcengine

на

provider = byteplus

Если первый маршрут даст moderation rejection, а второй примет идентичный запрос, то мы фактически получим A/B-тест, показывающий, что различие находится в serving route и safety stack, а не обязательно в весах самой модели.

На итоге:

Существование более непотребного маршрута Seedance через BytePlus уже подтверждается сразу несколькими независимыми API-провайдерами и частично самой документацией BytePlus.


Ссылки для экспериментов:

https://ofox.ai/docs/api/videos/provider-routing

https://ofox.ai/models/bytedance/seedance-2.5


https://docs.byteplus.com/en/docs/modelark/Content_Pre-filter

https://ai.byteplus.com/en/help/article/why-was-my-request-rejected-for-sensitive-or-non-compliant-content-and-how-do-i-reduce-false-rejections

https://docs.byteplus.com/pt/docs/legal/acceptable_use_policy_byteplus_genai

https://docs.modelflare.dev/models/video/seedance-2-5-nsfw/

https://docs.modelflare.dev/models/video/seedance-2-5/

https://metoken.ai/docs

@cgevent

Получил с утра такое

Задумался, испытал затруднения с ответом.

Потом придумал:

- Ашоето?

@cgevent

У ChatGPT один из самых лучших транскрипшенов в мире.

Он реально хорош. Он вырезает паузы, он вырезает вот эти все: э-э, ну, ну и так далее. Он даже вырезает: "Нет, вот это или Нет, вот так" и вставляет то, что должно быть по смыслу.

То есть там не только транскрипция, но ещё и обработка того, что вы сказали. И он БЫСТРЫЙ.

Короче, я просто в восторге от него и даже начал писать утилиту, которая бы переключалась в ChatGPT, там надиктовывала и переключалась обратно куда-нибудь, где я пишу.

Но неожиданно нашлась неназначенная хоткей клавиша, которая позволяет включать так называемый диктейшн не только в ChatGPT, а вообще в любом приложении, по крайней мере на Windows. Соответственно можно стоять где-нибудь в Worde или в Notepad, нажать эту кнопку и надиктовать с помощью транскрипта какой-нибудь текст, и он будет вставлен прямо в то приложение, в котором вы его открыли.

Я назначил себе это на, грубо говоря, Control Shift Ф9, потом через PowerToys отмапил его на правый Alt и теперь лихо наговариваю в телеге или в заметках, или где угодно, ChatGPT это транскрибирует В ФОНЕ, я смотрю и, как правило, отправляю без редактирования.

Но.

В последней версии приложения для Windows по какой-то неизвестной причине настройки этого шортката исчезли. Но сам шорткат у меня работает. Я попросил ChatGPT Work прошерстить и файлы, и реестр, и всё что угодно на моём диске, он не нашёл, где приложение ChatGPT хранит настройки шорткатов.

Соответственно, челлендж: если сможете найти где это, дайте знать и заодно получите великолепный шорткат на транскрибирование с помощью ChatGPT в любом месте.

И да, наговорил, а потом почистил. Все равно у меня разговорный стиль.

UPDATE 2: Галя, у нас отмена. Ниже не читаем. Шорткаты нашлись в разделе Voice(?!?!) в настройках. Не в Keyboard ShortCuts, а в Voice(!). OpenAI это конечно те еще продукт дизайнеры.

UPDATE: нашлось тут - %USERPROFILE%\.codex\keybindings.json

У меня вот так:

[
{
"command": "composer.addFiles",
"key": "Ctrl+Q"
},
{
"command": "composer.addPhotos",
"key": "Ctrl+E"
},
{
"command": "globalDictationHold",
"key": "Ctrl+Shift+F9"
},
{
"command": "globalDictationToggle",
"key": null
},
{
"command": "hotkeyWindow",
"key": "Ctrl+Space"
},
{
"command": "realtimeVoice",
"key": "Ctrl+P"
}
]

Но в интерфейсе chatGPT globalDictationToggle я не вижу.

Как вернуть отдельную кнопку globalDictationToggle

Полностью закройте ChatGPT (включая иконку в трее Windows).

Откройте файл конфигурации: 📁 %USERPROFILE%\.codex\keybindings.json

Задайте отдельную комбинацию для globalDictationToggle (вместо "key": null):

json
[
  {
    "command": "globalDictationHold",
    "key": "Ctrl+Shift+F9"
  },
  {
    "command": "globalDictationToggle",
    "key": "Ctrl+Shift+F10"
  }
]

Сохраните файл и запустите ChatGPT. Теперь Ctrl+Shift+F10 (или выбранное вами сочетание) будет включать и выключать диктовку по одиночному нажатию без необходимости делать двойной клик.

@cgevent

ElevenLabs смотрел-смотрел, как обходят конкуренты, и выкатил Eleven v4
Сразу в топ Artificial Analysis

Новая архитектура – модель читает сценарий «как актёр озвучки»: понимает, кто говорит, что только что произошло и с какой интонацией подать реплику. Языков стало 90+ (у v3 было 70+).

Бенчмарки Artificial Analysis:
– Provider Voice Arena – #1 с Elo 1319, лучше Cartesia Sonic 3.6 (1276) и Gemini 3.8 Flash TTS (1267). Первое место во всех четырёх категориях: саппорт, ассистенты, обучение, развлечения. Если что это все английский, остальные языки самим тестировать надо.

– Controlled Voice (все модели говорят одним и тем же кастомным голосом) – #2 с 1157, уступает только Qwen-Audio-3.1-TTS-Plus от Alibaba. Короче, голоса у elevenlabs лучше, а вот стандартный голос может чуть уступать.

– Pronunciation Robustness – 91.7%, лучший результат, который AA вообще намеряли. Gemini 3.8 Flash TTS – 89.5%, v3 – 85.6%

– скорость – 73.4 символа в секунду против 42.5 у v3.

Что внутри:
– теги вроде [laughs], [whispers], [door slams] прямо в тексте, v4 слушается их лучше, чем v3
– context stitching – длинный текст (хоть аудиокнига) без швов по темпу и подаче
– перегенерация фразы хоть 50 раз – голос не «плывёт»
– вернули Professional Voice Clone, которого не было в v3

v4 Turbo – для реалтайма и агентов: ~150 мс до первого звука (у Sonic 3.6 – 262 мс, у GPT-4o mini TTS – 814 мс, но это замеры самих ElevenLabs) и двунаправленный стриминг – звук идёт ещё до того, как LLM допишет предложение. Но если что конкуренты быстрее. 75-150 мс дают основные топовые модельки.

А теперь про деньги: $80 за 1M символов. Дешевле, чем 3 версия. Sonic 3.6 – $49, Gemini 3.8 Flash TTS – $16.49. То есть Google в 5 раз дешевле и отстаёт всего на 52 пункта Elo. Inworld в 4 раза дешевле, Grok, Soniox - еще дешевле.

Короче, по качеству и произношению – топ, для аудиокниг и брендового голоса норм. Рекламы всякой, озвучки фильмов.
А вот для колл-центра на миллионы минут я бы сначала посчитал юнит-экономику на Gemini, InWorld, Grok, Cartesia – разница в 5-10 раз по цене быстро съедает разницу в качестве.

https://elevenlabs.io/v4