ElevenLabs veut franchir une nouvelle étape dans la génération vocale avec ElevenLabs v4 et v4 Turbo, deux nouveaux modèles présentés cette semaine. L’objectif est clair : produire des voix plus naturelles et expressives, tout en réduisant suffisamment la latence pour rendre les conversations avec des agents IA beaucoup plus fluides.
Cette nouvelle génération ne se contente pas d’ajouter quelques langues ou de modifier le rendu sonore. ElevenLabs annonce une nouvelle architecture capable d’améliorer la conservation de l’identité vocale sur de longs textes, d’accélérer le clonage et de donner davantage de contrôle sur la manière dont une voix interprète chaque phrase.
Un contrôle beaucoup plus fin des émotions
ElevenLabs avait introduit avec son modèle v3 des balises directement intégrées au texte pour contrôler l’expression d’une voix. Avec v4, le système devient plus flexible : les utilisateurs peuvent empiler plusieurs balises d’expression et demander au modèle de les interpréter dans un ordre précis.
Le modèle prend également davantage en compte le contexte du texte. Une même phrase peut ainsi être prononcée différemment selon ce qui la précède ou la suit, afin de mieux reproduire une intention, une tension ou un changement émotionnel.
Cette capacité est particulièrement intéressante pour les contenus longs. ElevenLabs affirme que v4 conserve mieux l’identité et les caractéristiques d’une voix sur de grandes quantités de texte, un problème récurrent des systèmes de synthèse vocale lorsque les générations s’allongent.
Dix secondes pour cloner une voix
La nouvelle architecture apporte également une évolution importante au clonage vocal. ElevenLabs indique qu’il sera possible de cloner une voix avec seulement 10 secondes d’enregistrement audio.
Cette réduction du volume nécessaire à l’entraînement rend le clonage beaucoup plus accessible et rapide. Elle pose toutefois aussi la question du contrôle de l’utilisation des voix, un sujet devenu central à mesure que les modèles vocaux deviennent capables de reproduire fidèlement une personne à partir de très peu de données.
Plus de 90 langues
ElevenLabs fait également progresser la couverture linguistique. Le modèle précédent prenait en charge environ 70 langues, contre plus de 90 langues avec cette nouvelle génération.
La société affirme avoir observé les améliorations les plus importantes en japonais, portugais brésilien, mandarin et cantonais. Pour un modèle destiné à des applications mondiales, cette progression est stratégique : la qualité d’une voix IA ne se mesure plus uniquement à son rendu en anglais.
ElevenLabs veut accélérer les agents vocaux
L’autre grande nouveauté concerne les agents conversationnels. ElevenLabs développe rapidement son activité dans les solutions d’appels pour les entreprises, et v4 est justement conçu pour réduire la latence lors des échanges. Le modèle peut notamment commencer à générer l’audio dès que le LLM qui se trouve derrière lui commence à produire sa réponse. L’utilisateur n’a donc plus besoin d’attendre que toute la réponse textuelle soit générée avant que la voix commence à parler.
Ce fonctionnement peut réduire la sensation de délai entre une question et une réponse, un élément essentiel pour les assistants téléphoniques et les agents capables de gérer une conversation en temps réel.
ElevenLabs affirme également avoir amélioré la gestion de situations plus complexes, comme les confrontations, les escalades vers un autre interlocuteur ou les mises en attente. L’objectif est moins de produire une simple voix synthétique que de construire une véritable couche vocale pour des agents capables de gérer des interactions professionnelles.
Une concurrence qui s’intensifie
ElevenLabs arrive sur un marché devenu nettement plus concurrentiel. Des sociétés spécialisées comme Cartesia, Deepgram, Fish Audio, Boson et WellSaid Labs développent leurs propres modèles de synthèse vocale expressive. Les grands acteurs de l’IA accélèrent également. Google et OpenAI améliorent leurs technologies vocales et disposent déjà d’écosystèmes capables d’intégrer la voix à des assistants et agents conversationnels.
Pour ElevenLabs, la différenciation passe donc de plus en plus par la combinaison de plusieurs critères : qualité du rendu, expressivité, latence, langues disponibles, clonage et intégration dans les applications professionnelles.
Une croissance qui change d’échelle
Cette accélération technologique s’accompagne d’une forte croissance commerciale. Plus de 55 % du chiffre d’affaires d’ElevenLabs proviendrait désormais des grandes entreprises, alors que la société développe rapidement son activité autour des agents vocaux.
L’entreprise a également annoncé une importante levée de fonds de 500 millions de dollars menée par Sequoia, qui valorisait ElevenLabs à 11 milliards de dollars. Des informations évoquent depuis une nouvelle opération susceptible de porter sa valorisation à 22 milliards de dollars, mais cette éventuelle levée reste à ce stade rapportée comme une perspective et non comme une opération finalisée.
Son revenu annualisé serait passé d’environ 330 millions de dollars au début de l’année à plus de 600 millions de dollars, tandis que ses effectifs dépassent désormais 800 personnes. ElevenLabs recrute notamment en Inde, en Europe et au Brésil pour accompagner son développement international.
Le cofondateur et PDG Mati Staniszewski a par ailleurs indiqué que l’entreprise visait une introduction en Bourse dans les prochaines années, sans fournir de calendrier précis.
Avec v4 et v4 Turbo, ElevenLabs cherche donc à faire évoluer la voix IA d’un outil de génération audio vers une infrastructure capable d’alimenter directement les futurs agents conversationnels. Le véritable enjeu ne sera plus seulement de savoir si une voix sonne humaine, mais si elle peut tenir une conversation longue, réagir au contexte et répondre avec suffisamment de rapidité pour que l’utilisateur oublie qu’il parle à une machine.
