Tud magyarul az ElevenLabs v4? Igen. Az ElevenLabs v4 (hivatalos nevén Eleven v4) a cég 2026. szeptember 28-án kiadott szövegfelolvasó (text-to-speech, TTS) modellje; a gyártó szerint az eddigi legérzelemgazdagabb, 90+ nyelvet támogat, és a magyar (Hungarian) szerepel a hivatalos nyelvlistában. A SocialPro 2026. szeptember 28-i magyar tesztjében a „06 30 123 4567” telefonszámot az Eleven v4 és a valós idejű Eleven v4 Turbo mindhárom futásban helyesen mondta ki, az előd Eleven v3 egyszer sem. A Turbo első hangbájtja Magyarországról, a hálózati késéssel együtt 0,7 másodperc után érkezett; a gyártó hálózat nélkül kb. 100 ms medián inferencia-késleltetést ad meg. A v4 az Artificial Analysis angol nyelvű, vak összehasonlításokon alapuló ranglistáján az első (Elo 1319). Az API-listaár 1 millió karakterenként 80 dollár (v4), illetve 40 dollár (Turbo), 2026. október 12-ig 22 és 11 dollár a bevezető ár; az ingyenes csomag havi 10 000 kreditje a gyártó szerint kb. 10 perc hangra elég.
Egy telefonos AI-asszisztens ritkán a bonyolult kérdéseken bukik el. Sokkal inkább a számokon: a visszaolvasott időponton, az összegen, a telefonszámon. Saját korábbi hangügynök-kísérleteinkben is ez volt a legkínosabb hiba: a hívó által bediktált telefonszámot a rendszer összekeverte, és érthetetlenül olvasta vissza.
Ezért az ElevenLabs szeptember 28-án bemutatott Eleven v4 modelljét is ezzel kezdtük. Egy kitalált fogorvosi rendelő időpont-visszaigazoló mondatát, benne dátummal, órával, árral és telefonszámmal, négy modellel generáltuk le, mindegyikkel háromszor. A „06 30 123 4567” számot az előző generációs Eleven v3 mindháromszor elrontotta. Az új Eleven v4 és a gyors Eleven v4 Turbo mindháromszor helyesen mondta ki.
Az alábbiakban végignézzük, mit hozott a bejelentés, mit jelent és mit nem a független ranglista első helye, hogyan teljesített a két új modell magyar szöveggel, mennyibe kerül forintban, és mire figyelj, mielőtt átállsz rá egy ügyfélszolgálati hangügynöknél vagy egy videónarrációnál.
Mit jelentett be az ElevenLabs 2026. szeptember 28-án?
Az ElevenLabs két új szövegfelolvasó modellt adott ki: az Eleven v4-et és az alacsony késleltetésű Eleven v4 Turbót. A hivatalos bejelentés szerint a v4 a cég eddigi legérzelemgazdagabb szövegfelolvasó modellje, és teljesen új architektúrára épül. Az Eleven v4 dokumentációja egy új modellgeneráció első tagjaként mutatja be, amely a hangminőségben, a klónozott hangok pontosságában, az érzelmek visszaadásában, az audio tagek követésében és a nyelvi lefedettségben is túllép az Eleven v3-on. Az architektúra részleteit (típus, méret, tanítóadat) sem a bejelentés, sem a dokumentáció nem közli.
A két modell ugyanarra a technológiára épül, de másra hangolták őket. Az Eleven v4 a gyártott tartalomhoz való: hangoskönyv, reklámhang, videónarráció, szinkron. Az Eleven v4 Turbo a valós idejű beszélgetéshez: telefonos és webes hangügynökökhöz, ahol minden tizedmásodperc számít. Mindkettő elérhető az ElevenLabs hangügynök-platformján (ElevenAgents), a tartalomkészítő felületen (ElevenCreative) és az API-n, eleven_v4, illetve eleven_v4_turbo modellazonosítóval.
A bejelentés legfontosabb számai:
- kb. 100 ms medián inferencia-késleltetés a Turbónál, és kb. 150 ms medián idő a kéréstől az első hallható hangig (a gyártó ebből a mérésből kivonta a hálózati késést, és WebSocket-streaminggel mért)
- 90+ nyelv mindkét modellnél; a TechCrunch szerint az előző verzió 70 nyelvet támogatott
- 10 másodpercnyi hang a gyártó szerint elég egy azonnali hangklónhoz (Instant Voice Clone), a dokumentáció viszont általában 1–2 perces mintával számol
- 10 000 karakter egy generálásban, a v3 5 000 karakterével szemben
- visszatértek a professzionális hangklónok (Professional Voice Clone), amelyeket a v3 nem támogatott
„High-quality voice models have tended to be slower to generate speech, meaning users have had to choose between fast or expressive voice agents.”
Magyarul: „A jó minőségű hangmodellek eddig jellemzően lassabban generáltak beszédet, így a felhasználóknak választaniuk kellett a gyors és a kifejező hangügynök között.”
— Mati Staniszewski, az ElevenLabs társalapító-vezérigazgatója és Piotr Dabkowski, az Eleven v4 bejelentésének szerzői
Ez a mondat a Turbo lényege. Eddig egy magyar ügyfélszolgálati hangügynöknél is választani kellett: vagy gyorsan válaszol, de monoton, gépies hangon, vagy természetesen szól, de érezhető szünetekkel. Az ElevenLabs azt állítja, hogy a v4 Turbóval ez a kompromisszum megszűnik. Hogy magyarul mennyire, azt lejjebb mérjük.
Mit jelent, hogy az Eleven v4 első az Artificial Analysis ranglistáján?
Röviden: az Artificial Analysis 2026. szeptember 28-i állása szerint angol nyelvű vak összehasonlításban jelenleg az Eleven v4 szól a legtermészetesebben, de az előnye nem behozhatatlan. Elo-pontszáma 1319, 43 ponttal több a második Cartesia Sonic 3.6-énál, ami a szabványos Elo-képlet szerint kb. 56%-os várható győzelmi arány egy páros összecsapásban. A magyar hangminőségről a ranglista nem mond semmit, mert a mérés angol nyelvű.
Az Artificial Analysis független elemzőcég, amely AI-modelleket mér és rangsorol. A szövegfelolvasó modellek arénájában a látogatók vakon hallgatnak meg két, azonos szövegből készült mintát, és arra szavaznak, amelyik természetesebben szól. A szavazatokból a cég a sakkból ismert Elo-skálán számol pontszámot. A gyártók saját hangjait összemérő Provider Voice ranglistán a 2026. szeptember 28-i állás ez volt:
| Hely | Modell | Elo | Összehasonlítások | API-ár / 1 millió karakter |
|---|---|---|---|---|
| 1. | ElevenLabs Eleven v4 | 1319 | 1 674 | 80 $ |
| 2. | Cartesia Sonic 3.6 | 1276 | 1 946 | 49 $ |
| 3. | Google Gemini 3.8 Flash TTS | 1267 | 2 198 | 16,5 $ |
| 4. | Alibaba Qwen-Audio-3.0-TTS-Plus | 1258 | 1 593 | 19,3 $ |
| 5. | Inworld Realtime TTS-2 | 1246 | 1 365 | 20,8 $ |
| 18. | ElevenLabs Eleven v3 (az előd) | 1169 | 4 401 | 80 $ |
Az első hely stabil: az Artificial Analysis a 95%-os bizonytalansági sávval számolva is csak az első helyet adja a v4-nek, a második helyezettnek viszont a 2–3. helyet.
Az előny ugyanakkor kisebb, mint amit a gyártó sugall. Az ElevenLabs saját vak tesztjében a hallgatók kb. 75%-a (párosításonként 65–81%-a) a v4-et választotta a Cartesia, az Inworld és a Google modelljeivel szemben, a független ranglista 43 pontos Elo-különbsége viszont csak kb. 56%-os várható győzelmi arányt jelent. A két szám módszertana eltér: a gyártónál a kifejezőbb és a természetesebb változatra is szavaztak, és a döntetlen fél győzelemnek számított.
További mérések: klónozott hang és kiejtés
Két további mérés is kijött aznap. A klónozott hangokat összemérő Controlled Voice ranglistán a v4 a második (Elo 1157), az Alibaba újabb, Qwen-Audio-3.1-TTS-Plus modellje mögött. A kiejtési robusztusságot mérő benchmarkon pedig rekordot ért el:
„Pronunciation Robustness: Eleven v4 scores 91.7%, the highest score we have measured, ahead of Gemini 3.8 Flash TTS at 89.5% and Gemini 3.1 Flash TTS at 88.2%, and up from Eleven v3 at 85.6%.”
Magyarul: „Kiejtési robusztusság: az Eleven v4 91,7%-ot ért el, ez az eddigi legmagasabb általunk mért érték. Megelőzi a Gemini 3.8 Flash TTS-t (89,5%) és a Gemini 3.1 Flash TTS-t (88,2%), az Eleven v3 85,6%-ához képest pedig javult.”
— Artificial Analysis, a mérés eredményét közlő bejegyzés, 2026. szeptember 28.
Ezen belül a számok, dátumok és mértékegységek természetes felolvasásában a v4 94,1%-kal az első, a kódok, e-mail-címek és azonosítók pontos, karakterhű felolvasásában viszont csak 78,8%-ot ért el: ez a leggyengébb kategóriája. Fontos korlát, hogy a v4 Turbo egyik Artificial Analysis-ranglistán sem szerepel, így a telefonos ügynököknek ajánlott változat minőségéről egyelőre csak gyártói adat van.
Magyar szemmel a legfontosabb: az Artificial Analysis módszertana szerint a Provider Voice ranglista angol nyelvű, amerikai és brit hangokkal; a kiejtési mérés egyetlen rögzített amerikai angol hanggal fut, az amerikai és a brit kiejtési változatot egyaránt elfogadva, angol anyanyelvű bírálókkal. A klónozott hangos mérés az angolon kívül kilenc nyelven fut, de a magyar nincs köztük. A TechCrunch beszámolója szerint a cég a legnagyobb minőségi ugrást a japán, a brazíliai portugál, a mandarin és a kantoni nyelvben látta. A magyar nem szerepel a kiemeltek között, és független magyar mérés sincs. Ezért lemértük magunk.
Hogyan szól magyarul az ElevenLabs v4? Ezt mutatta a saját tesztünk
Mit és hogyan mértünk?
A tesztet 2026. szeptember 28-án este, a bejelentés napján futtattuk az ElevenLabs API-ján, egy magyarországi internetkapcsolatról. A tesztmondat egy kitalált fogorvosi rendelő visszaigazolása volt, 195 karakter:
„Jó napot kívánok, a Napfény Fogászat ügyfélszolgálatát hallja. Az időpontja október 6-án, hétfőn 14:30-kor lesz, a vizsgálat díja 12 500 forint. Kérem, jelezzen vissza a 06 30 123 4567-es számon!”
Négy modellt hasonlítottunk össze: az új Eleven v4-et és v4 Turbót, az előd Eleven v3-at, valamint a korábbi leggyorsabb modellt, az Eleven Flash v2.5-öt. Mind ugyanazzal a hanggal futott: ez Brian, az ElevenLabs egyik előre elkészített hangja, amelyet a SocialPro a saját videóinak magyar narrációjához is használ. Magyar nyelvbeállítást és alapértelmezett hangbeállításokat használtunk, modellenként három futással, felváltva. A kész hangfájlokat az ElevenLabs saját beszédfelismerőjével (Scribe v2) írattuk vissza szöveggé, és azt néztük, hiánytalanul visszajönnek-e a számok.
Telefonszám: csak a két új modell mondta ki helyesen
A SocialPro 2026. szeptember 28-i tesztjében a „06 30 123 4567” telefonszámot az Eleven v4 és az Eleven v4 Turbo mindhárom futásban helyesen mondta ki (3/3), az Eleven v3 és az Eleven Flash v2.5 egyszer sem (0/3).
| Modell | 1. futás | 2. futás | 3. futás | Helyes |
|---|---|---|---|---|
| Eleven v4 | 06 30 123 4567 | „nulla hat három nulla egy kettő három négy öt hat hét” | 06 30 123 4567 | 3/3 |
| Eleven v4 Turbo | 06301234567 | 06301234567 | 06 30 1234567 | 3/3 |
| Eleven v3 | 0630ES234567 | 0630 100-34567 | 06 30 SZK53 4567 | 0/3 |
| Eleven Flash v2.5 | 06-30 24344567 | 06 30 123 5767 | „null hat harminc százhuszonegy három négy hét…” | 0/3 |
A különbség nem apróság. Egy időpont-visszaigazolásnál a rossz telefonszám azt jelenti, hogy az ügyfél nem tud visszahívni, vagy rossz számra megy az emlékeztető SMS. A régi modellek számjegyeket hagytak ki vagy kevertek össze, egy esetben értelmetlen szótagokat mondtak. Az árat („12 500 forint”) a 12 hangfájlból 11-ben rendben kimondták a modellek; az egyetlen hibát itt is a Flash v2.5 vétette.
A Flash v2.5 eredménye nem meglepő: a modell-dokumentáció szerint ennél a modellnél az ElevenLabs a gyorsaság érdekében kikapcsolta a számok szöveggé alakítását (normalizálását), és maga figyelmeztet, hogy a telefonszámok nem egyértelműen hangozhatnak el. A v3-nál a dokumentáció általános leírása alapértelmezetten bekapcsolt normalizálást ír, a magyar telefonszámon mégis mindháromszor elcsúszott.
Válaszidő Magyarországról: a Turbo gyors, a v4 első hangja nem
A SocialPro 2026. szeptember 28-i mérésében (Magyarországról, HTTP-streaminggel, a hálózati késéssel együtt) az első hangbájt mediánja az Eleven v4 Turbónál 694 ms, az Eleven v3-nál 1 186 ms, az Eleven v4-nél 1 520 ms volt; a leggyorsabb a Flash v2.5 maradt, 283 ms-mal.
| Modell | Első hangbájt (medián) | Teljes hanganyag elkészülte (medián) |
|---|---|---|
| Eleven Flash v2.5 | 283 ms | 0,7 s |
| Eleven v4 Turbo | 694 ms | 2,8 s |
| Eleven v3 | 1 186 ms | 13,3 s |
| Eleven v4 | 1 520 ms | 7,4 s |
A gyártó a Turbónál kb. 150 ms-ot ad meg az első hallható hangig, mi 694 ms-ot mértünk az első bájtig. A két szám nem ugyanazt méri: az ElevenLabs kivonta a hálózati késést és WebSocket-kapcsolatot használt, mi a teljes utat mértük egy magyar internetkapcsolatról, egyszerű HTTP-kéréssel, a bejelentés estéjén. A sorrend viszont egyértelmű. A Turbo kb. 1,7-szer hamarabb szólalt meg, mint a v3, és a teljes hanganyagot 4,8-szor gyorsabban állította elő.
Meglepetés is akadt. Az ElevenLabs termékoldalának GYIK-je szerint a v4-nél csökkent az első bájtig eltelt idő a v3-hoz képest. Nálunk nem: a v4 első bájtja 1,5 másodperc után érkezett, a v3-é 1,2 után. A teljes hanganyag viszont a v4-gyel kb. 45%-kal hamarabb készült el (7,4 s vs. 13,3 s), ami egybevág az Artificial Analysis független mérésével: ott a v4 másodpercenként 73,4 karaktert dolgozott fel, a v3 42,5-öt. Egy előre legenerált videónarrációnál ez az utóbbi szám a fontos, élő telefonbeszélgetéshez pedig eleve a Turbo való.
A Flash v2.5 tehát a leggyorsabb, csakhogy a számokat nála kellett a legtöbbször kijavítani.
Tipp, ha maradsz a régi modellnél: írd ki betűvel a számot
Kíváncsiak voltunk, hogy a régi modelleknél a kiejtés vagy a számok értelmezése a gond. Ezért egy rövidebb mondatban a telefonszámot betűvel írtuk be: „nulla hat, harminc, százhuszonhárom, negyvenöt, hatvanhét”. Így az Eleven v3 és a Flash v2.5 is mindhárom futásban hibátlanul mondta. A hiba tehát a számjegyek szöveggé alakításánál volt. Ebben a v4 a mi tesztünkben és az Artificial Analysis angol számfelolvasási mérésében is jelentősen jobb volt (ott 94,1% a v3 82,7%-ával szemben).
Ha egy meglévő rendszeren maradsz a v3-nál vagy a Flash v2.5-nél, a számokat írasd ki betűvel, mielőtt a szöveg a hangmodellhez kerül. Egy hangügynökben ezt a nyelvi modell (LLM) is elvégezheti, az ElevenLabs szövegfelolvasási útmutatója ehhez kész promptmintát is ad. A saját telefonos hangügynök-tervünkben is így számoltunk: a telefonszámot, a dátumot és az összeget nem a hangmodellre bízzuk, hanem egy külön függvény írja ki betűvel.
Mit nem mutat meg ez a teszt?
Egy hang, egy mondat, modellenként három futás, egyetlen időpont: ez nem laborszintű benchmark, hanem gyors, megismételhető szúrópróba. A beszédfelismerő maga is hibázhat, de mind a 12 hangfájlt ugyanaz írta le, így az összehasonlítás relatív értelemben megáll. Egy telefonszám hibátlan felolvasása nem bizonyítja, hogy minden azonosítót jól mond: angolul épp ez a v4 leggyengébb kategóriája. Az érzelmi árnyalatokat, a hangszínt és a hangsúlyt pedig gépi visszaírással nem lehet mérni. Az ElevenLabs azt is jelzi, hogy a v4 viselkedése a bevezetés után is változhat, ezért érdemes néhány hét múlva újra mérni.
Mi változott az Eleven v4-ben a v3-hoz képest?
Az ElevenLabs szerint a v4 szinte minden esetben jobb eredményt ad, mint a v3, és a cég kifejezetten javasolja az átállást. Hozzáteszi viszont, hogy a v4 érezhetően másképp szólhat, és a pontosabb hang nem mindig egyezik azzal, amit valaki jobbnak hall. A legfontosabb különbségek:
| Szempont | Eleven v3 | Eleven v4 | Eleven v4 Turbo |
|---|---|---|---|
| Fő cél | kifejező beszéd | a legjobb minőség gyártott tartalomhoz | valós idejű hangügynök |
| Nyelvek (a gyártó szerint) | 70+ | 90+ | 90+ |
| Magyar | igen | igen | igen |
| Karakter egy generálásban | 5 000 | 10 000 | 10 000 |
| Professzionális hangklón | nem | igen | igen |
| API-listaár / 1 millió karakter | 80 $ | 80 $ | 40 $ |
| Feldolgozás (Artificial Analysis) | 42,5 karakter/s | 73,4 karakter/s | nincs mérve |
| Saját teszt: telefonszám helyesen | 0/3 | 3/3 | 3/3 |
| Saját teszt: első hangbájt (medián) | 1 186 ms | 1 520 ms | 694 ms |
Anyanyelvi kiejtés idegen nyelven. A dokumentáció szerint ez az egyik legnagyobb változás. Ha a klónozott hang más nyelven szólal meg, mint amelyiken felvették, a v4 folyékony, anyanyelvi kiejtéssel beszél, és nem viszi át az eredeti akcentust. Egy magyarul felvett márkahang így angolul vagy németül is természetesen szólhat. Ez egyelőre nem kapcsolható ki, tehát ha valaki épp a magyaros akcentust akarná megtartani idegen nyelven, annak élesítés előtt tesztelnie kell.
Audio tagek és szünetek. A beszédmódot a szövegbe írt, szögletes zárójeles utasításokkal lehet irányítani, például [laughs], [whispers] vagy [excited]. Hangeffektet is lehet kérni ([door slams]), és természetes nyelven is leírható, hogyan hangozzon egy mondat. A gyártó szerint a v4 ezeket, több egymás utáni taget is, megbízhatóbban követi, mint a v3. A dokumentáció ugyanakkor elismeri, hogy még nem tökéletes. Szünetet a [pause] vagy a [long pause] tag, illetve a három pont ad; az SSML-es <break> tag sem a v4-ben, sem a v3-ban nem működik. A kiejtési szótár (pronunciation dictionary) továbbra is használható, és javult a nemzetközi fonetikai ábécé (IPA) szerinti kiejtés támogatása is.
Kevesebb csúszka. A v4-ben két hangbeállítás maradt: a stabilitás (mennyire legyen egyforma az előadás generálásról generálásra) és a hasonlóság (mennyire kövesse a referenciahangot). A Style és a Speed csúszka megszűnt.
Hosszú anyagok. A hosszabb szövegek összefűzése a gyártó szerint megbízhatóbb lett, így egy hangoskönyv vagy egy több részből álló oktatóanyag az elejétől a végéig ugyanúgy szól. Ugyanez igaz az újragenerálásra: egy mondatot többször is újra lehet kérni úgy, hogy közben nem változik meg a beszélő hangja.
ElevenLabs v4 pricing: mennyibe kerül forintban?
Röviden: API-n az Eleven v4 listaára 1 millió karakterenként 80 dollár (kb. 25 838 Ft), az Eleven v4 Turbóé 40 dollár (kb. 12 919 Ft), ÁFA nélkül; 2026. október 12-ig 22, illetve 11 dollár a bevezető ár. Az ElevenLabs szerint a v4 ugyanabban a kreditrendszerben fut, mint a többi szövegfelolvasó modell, így minden csomagban elérhető, az ingyenesben is.
API-árak: v4 és v4 Turbo
API-n karakterenként fizetsz. A hivatalos API-árlista szerint:
| Modell | Listaár | Forintban | Bevezető ár okt. 12-ig | Forintban |
|---|---|---|---|---|
| Eleven v4 | 80 $ | 25 838 Ft | 22 $ | 7 105 Ft |
| Eleven v4 Turbo | 40 $ | 12 919 Ft | 11 $ | 3 553 Ft |
| Eleven v3 (összevetésül) | 80 $ | 25 838 Ft | – | – |
| Eleven Flash v2.5 (összevetésül) | 40 $ | 12 919 Ft | – | – |
A v4 listaáron ugyanannyiba kerül, mint a v3, a Turbo pedig ugyanannyiba, mint a Flash v2.5. Aki tehát a gyors, de a számokat rosszul olvasó Flash v2.5-ről Turbóra vált, karakterenként nem fizet többet, az akció alatt pedig kevesebbet. Az ElevenLabs ökölszabálya szerint kb. 1 000 karakter felel meg 1 perc hangnak, így 1 óra hang listaáron kb. 1 550 Ft a v4-gyel és kb. 775 Ft a Turbóval (saját számítás). A független ranglista első öt helyezettje közül ugyanakkor a v4 a legdrágább: a harmadik helyezett Google Gemini 3.8 Flash TTS az Artificial Analysis adatai szerint kb. ötödannyiba kerül.
Csomagok: ElevenCreative és ElevenAgents
A tartalomkészítő felület (ElevenCreative) csomagjai havi kreditkeretet adnak, szövegfelolvasásnál kb. 1 kredit egy karakter:
| Csomag | Havi díj | Forintban | Havi kredit | Kb. ennyi hang |
|---|---|---|---|---|
| Free | 0 $ | 0 Ft | 10 000 | 10 perc |
| Starter | 6 $ | 1 938 Ft | 30 000 | 30 perc |
| Creator | 22 $ (az első hónapban 11 $) | 7 105 Ft (3 553 Ft) | 121 000 | 2 óra |
| Pro | 99 $ | 31 974 Ft | 600 000 | 10 óra |
| Scale | 299 $ | 96 568 Ft | 1,8 millió | 30 óra |
| Business | 990 $ | 319 740 Ft | 6 millió | 100 óra |
A bevezető akció két hétig itt is él: a Creator és a nagyobb csomagokban a v4 a webes és a mobilalkalmazásban a havi kreditkeret kétszereséig nem fogyasztja az egyenleget.
A hangügynök-platformot (ElevenAgents) hívásperc alapján számlázzák, nem kreditből. A csomagokban benne foglalt percek: Free 15, Starter 75, Creator 275, Pro 1 238, Scale 3 738, Business 12 375; a többletperc 0,08 dollár (kb. 26 Ft). A nyelvi modell (LLM) díja és a telefonszolgáltató (például Twilio vagy SIP-trönk) díja külön jön. Azt az árlista nem mondja ki, hogy a v4 Turbo hangja ugyanezen a percdíjon fut-e, modellfüggő felárat viszont nem tüntet fel.
Mennyibe kerül havonta egy KKV-nak?
| Forgatókönyv | Feltételezés | Csomag | Havi költség |
|---|---|---|---|
| Videónarráció közösségi médiára | havi 8 db 90 másodperces videó, kb. 12 perc, kb. 12 000 karakter (v4) | Starter, 30 000 kredit | 6 $ ≈ 1 938 Ft |
| Telefonos asszisztens ElevenAgents-szel | havi 600 hívás × 3 perc = 1 800 perc | Pro (1 238 perc) + 562 többletperc × 0,08 $ | kb. 144 $ ≈ 46 500 Ft, plusz LLM és telefonszolgáltató |
A tanulság: egy KKV-nál a szövegfelolvasás maga ritkán a nagy tétel. Egy telefonos asszisztensnél a percdíj, a nyelvi modell és a telefonszolgáltatás adja a költség zömét, ezért a modellválasztásnál a helyes számfelolvasás és a válaszidő többet számít, mint a karakterár.
Eleven v4 vagy v4 Turbo: melyiket mire használd?
Röviden: élő telefonos vagy webes hangügynökhöz az Eleven v4 Turbo, előre legenerált narrációhoz, hangoskönyvhöz és e-learninghez az Eleven v4 való. A Flash v2.5 nagy tömegű, rövid rendszerüzenetekhez maradhat, de csak akkor, ha a számokat betűvel kapja meg.
| Felhasználás | Modell | Miért |
|---|---|---|
| Telefonos asszisztens, időpontfoglalás, ügyfélszolgálat | Eleven v4 Turbo | gyors első hang, kétirányú streaming, telefonos µ-law kimenet, helyes számfelolvasás a tesztünkben |
| Webes hangügynök, élő termékbemutató | Eleven v4 Turbo | a beszélgetés tempójához kell a gyors válasz |
| Reklám-, termék- és Reels-videó narrációja | Eleven v4 | itt a minőség számít, nem a tizedmásodperc; audio tagekkel irányítható előadás |
| E-learning, belső oktatóanyag, hangoskönyv | Eleven v4 | 10 000 karakter egy generálásban, stabil hang az újragenerálásnál |
| Többnyelvű márkahang (exportpiac) | Eleven v4 vagy v4 Turbo | a klónozott hang idegen nyelven anyanyelvi kiejtéssel beszél |
| Nagy tömegű, rövid rendszerüzenet | maradhat a Flash v2.5 | a leggyorsabb volt, de a számokat betűvel kell megkapnia |
Ha az ElevenLabs kínálatából keresed a legjobb magyar szövegfelolvasót vagy AI-hanggenerátort, a választék szűkebb, mint amit a cég általános ajánlása mutat. A dokumentáció minőségi célra az Eleven v4-et vagy a Multilingual v2-t ajánlja, ez utóbbi azonban nem tud magyarul. Az ajánlott modellek közül minőségi magyar hanghoz így a v4 marad, hangügynökhöz pedig a v4 Turbo vagy a Flash v2.5.
Telefonos felhasználásnál a sebesség mellett a formátum is számít. Az ElevenLabs szerint a v4 a szokásos MP3 és WAV/PCM mellett µ-law kimenetet is ad, amely telefonos és call centeres rendszerekhez készült. A Turbo kétirányú streaminggel dolgozik: a nyelvi modell válaszát már generálás közben fogadja, és a hang még a mondat vége előtt elindul. Hogyan épül fel egy teljes ElevenLabs-alapú hangügynök beszédfelismeréssel, a beszélgetés irányításával és hangmodellel, azt a Speech Engine-ről szóló cikkünkben írtuk le.
„We've been looking for a voice model that's fast enough to feel like a real conversation without trading away quality, and Eleven v4 Turbo is the first one that does both.”
Magyarul: „Olyan hangmodellt kerestünk, amely elég gyors ahhoz, hogy valódi beszélgetésnek hasson, a minőségből mégsem kell engedni érte. Az Eleven v4 Turbo az első, amelyik mindkettőt tudja.”
— Oscar Daniels, Head of Credit Building Products, Spring Financial; ügyfélvélemény az ElevenLabs termékoldalán
Videónarrációnál más a kérdés. A SocialPro saját bemutató- és hirdetésvideóinak magyar narrációja eddig Eleven v3-mal készült. Egy előre legenerált videóhangnál nem az számít, hogy 0,7 vagy 1,5 másodperc alatt jön az első bájt, hanem hogy a hangsúly, a tempó és a számok rendben vannak-e. Itt a v4 a jobb választás, de a dokumentáció tanácsát érdemes megfogadni: a saját hangoddal és a saját szövegeddel hasonlítsd össze a két verziót, mielőtt egy teljes videósorozatot átállítasz.
Ha az ElevenLabs-t az OpenAI hangmodelljeivel vetnéd össze, a GPT-Live API-ról szóló cikkünkben forintos árakat és magyar tapasztalatokat is találsz.
Mire figyelj, mielőtt átállsz az Eleven v4-re?
A HVG által idézett KSH-adatok szerint a hazai vállalkozásoknak csak kb. a tizede használ mesterséges intelligenciát, az uniós átlag fele. Az MI bevezetését halasztó cégek 52%-a adatvédelmi, 51%-a jogi bizonytalanság miatt vár. Egy hangügynöknél vagy klónozott hangnál ezek a kérdések nem kerülhetők meg, de előre tisztázhatók:
- Tanítsd újra a klónjaidat. A v4 bevezetése előtt készült azonnali és professzionális hangklónokat a gyártó szerint újra kell tanítani v4-re, különben nem működnek megfelelően. A hanglistában a hang fölé húzva, a plusz gombbal indítható.
- Nézd át a régi szkripteket. Ha egy régebbi modellhez írt szövegben <break> vagy más SSML-tag van, v4-en ez nem működik. Helyette [pause] vagy [long pause] kell.
- A felvétel minősége többet számít. A v4 pontosabban másolja a forráshangot, a hibáival együtt: a zajt, a torzítást, a hangerő-ingadozást is. Klónozáshoz tiszta, egységes beszédstílusú felvétel kell.
- A leírásból generált hangok gyengébbek lehetnek. A Voice Design-nal készült hangok a dokumentáció szerint v4-en kevésbé kifejezőek lehetnek, mint a korábbi modelleken.
- Mérj újra időnként. Az ElevenLabs szerint a v4-et a bevezetés után is folyamatosan tanítják, így a viselkedése változhat. Egy élesben futó hangügynöknél érdemes havonta lefuttatni ugyanazt a tesztmondatot.
- Kérj írásos hozzájárulást a hangklónozáshoz (voice cloning). A Ptk. 2:48. §-a szerint hangfelvétel elkészítéséhez és felhasználásához az érintett hozzájárulása szükséges, és az ElevenLabs is igazolt hozzájárulást kér a hang tulajdonosától minden klónhoz.
- Tudd, hol vannak az adataid. Az ElevenLabs adattárolási (data residency) dokumentációja szerint az ügyféladatokat alapesetben az Egyesült Államokban tárolják; EU-s adattárolás csak a nagyvállalati (Enterprise) csomagban, külön EU-s fiókkal érhető el. A cég szerint a v4-nek küldött szövegeket a hozzájárulásod nélkül nem használják modelltanításra. Ha a hangügynök neveket, telefonszámokat, időpontokat mond ki, azok személyes adatok, ezért a GDPR szerinti adatfeldolgozói megállapodás és adatkezelési tájékoztatás is kell.
Mit ír elő az EU AI Act a gépi hangra?
Az Európai Bizottság tájékoztatója szerint az AI Act 50. cikkének átláthatósági szabályai 2026. augusztus 2. óta alkalmazandók. Egy hangügynöknél ebből három dolog a lényeg:
- Tájékoztatás az MI-ről: ha MI beszél közvetlenül az ügyféllel, erről legkésőbb az első interakciókor tájékoztatni kell, kivéve, ha ez a körülményekből nyilvánvaló. A kötelezettség formálisan a rendszer szolgáltatóját terheli; hogy egy saját márkanéven futó hangügynöknél ez maga a KKV-e, jogi értelmezés kérdése.
- Deepfake-jelölés: ha a hanganyag egy valós személy hangját utánozza, és hitelesnek tűnhet, ezt jelezni kell.
- A vízjel nem elég: az ElevenLabs minden generált hanganyagba észrevehetetlen vízjelet ágyaz, a Bizottság szerint viszont a deepfake-tartalom jelölésénél az alkalmazó nem hagyatkozhat pusztán erre, hallható vagy látható jelzés is kell.
A bírság elérheti a 15 millió eurót vagy a világszintű árbevétel 3%-át, a kis- és középvállalkozásoknál azonban az arányosság figyelembe vehető. Részletek az EU AI Act-ről szóló útmutatónkban.
„I think there should be disclosure at this time. Currently, people aren’t used to it, and the common pattern is you don’t want to feel cheated on that call.”
Magyarul: „Szerintem jelenleg jelezni kell. Az emberek még nem szoktak hozzá, és általános tapasztalat, hogy senki sem akarja becsapva érezni magát egy ilyen hívásban.”
— Mati Staniszewski, az ElevenLabs társalapító-vezérigazgatója, interjú a TechCrunch-nak, 2026. szeptember 24.
A gyakorlatban ez egy mondat a hívás elején, például: „A SocialPro MI-alapú asszisztensét hallja.” A SocialPro saját narrált videóinál is jelöljük, hogy a hang MI-vel készült.
A fenti jogi pontok tájékoztató jellegűek, nem minősülnek jogi tanácsnak; éles bevezetés előtt kérd ki adatvédelmi és jogi szakember véleményét.
Gyakori kérdések az ElevenLabs v4-ről
Tud magyarul az ElevenLabs v4?
Igen. A gyártó szerint az Eleven v4 és az Eleven v4 Turbo is több mint 90 nyelvet támogat, és a magyar a dokumentáció nyelvlistájában és az API modell-listájában is szerepel. Független magyar minőségmérés nincs: az Artificial Analysis ranglistája és kiejtési mérése angol nyelvű, a többnyelvű klónozott hangos mérésében pedig nem szerepel a magyar. A SocialPro saját tesztjében (2026.09.28.) a v4 és a v4 Turbo a „06 30 123 4567” telefonszámot mindhárom futásban helyesen mondta ki, az Eleven v3 és a Flash v2.5 egyszer sem. Minőségi magyar hanghoz a v4 a jó választás, mert az ElevenLabs másik minőségi modellje, a Multilingual v2 nem tud magyarul.
Melyik a legjobb magyar szövegfelolvasó (TTS)?
Független magyar minőségmérés nincs: az Artificial Analysis Provider Voice ranglistája és kiejtési mérése angol nyelvű, a klónozott hangos mérés pedig az angolon kívül kilenc nyelven fut, de a magyar nincs köztük. Ha magyar AI-hanggenerátort keresel, az ElevenLabs által minőségi célra ajánlott modellek közül az Eleven v4 marad, mert a másik, a Multilingual v2 nem tud magyarul; valós idejű hangügynökhöz az Eleven v4 Turbo vagy a Flash v2.5 jöhet szóba. A SocialPro 2026. szeptember 28-i tesztjében a „06 30 123 4567” telefonszámot csak az Eleven v4 és a v4 Turbo mondta ki helyesen (3/3), a v3 és a Flash v2.5 egyszer sem. Más gyártók magyar kiejtését nem mértük, ezért a saját hangoddal és szövegeddel hasonlítsd össze őket.
Mennyibe kerül az Eleven v4, és van ingyenes csomag?
Az Eleven v4 minden csomagban elérhető, az ingyenesben is, amely havi 10 000 kreditet ad; ez a gyártó szerint kb. 10 perc hang. A fizetős csomagok havi 6 dollártól indulnak. API-n a listaár 1 millió karakterenként 80 dollár (v4) és 40 dollár (v4 Turbo), 2026. október 12-ig 22, illetve 11 dollár a bevezető ár. Forintban (MNB, 2026.09.28., 322,97 Ft/USD) a v4 1 millió karaktere listaáron kb. 25 800 Ft, a Turbóé kb. 12 900 Ft, ÁFA nélkül.
Mi a különbség az Eleven v4 és az Eleven v3 között?
Az Eleven v4 új architektúrára épül: a gyártó szerint 90+ nyelvet támogat a v3 70+ nyelvével szemben, egy generálásban 10 000 karaktert kezel 5 000 helyett, visszahozta a professzionális hangklónokat, és megbízhatóbban követi az audio tageket. Az Artificial Analysis mérésében másodpercenként 73,4 karaktert dolgoz fel, a v3 42,5-öt, a Provider Voice ranglistán pedig az első, a v3 a 18. A SocialPro magyar tesztjében (2026.09.28.) a v4 mindhárom futásban helyesen mondta ki a telefonszámot, a v3 egyszer sem. Listaáron a kettő ugyanannyiba kerül. A régi hangklónokat a v4-hez újra kell tanítani.
Elég gyors az Eleven v4 Turbo egy telefonos hangügynökhöz?
A gyártó szerint igen: a Turbo medián inferencia-késleltetése kb. 100 ms, a kéréstől az első hallható hangig kb. 150 ms telik el, hálózati késés nélkül. A SocialPro mérésében (2026.09.28.) Magyarországról, egyszerű HTTP-kéréssel az első hangbájt 694 ms (medián) után érkezett, ebben a hálózat is benne van; a Turbo így is kb. 1,7-szer hamarabb adta vissza az első hangbájtot, mint az Eleven v3. Telefonos rendszerekhez µ-law kimenetet és kétirányú streaminget ad. A Turbo egyik Artificial Analysis-ranglistán sem szerepel, ezért a minőségéről egyelőre csak gyártói adat van.
Hogyan működik a hangklónozás (voice cloning), és legális-e?
Az Eleven v4-gyel az azonnali hangklónhoz (Instant Voice Clone) a gyártó szerint 10 másodpercnyi hang is elég, a dokumentáció viszont általában 1–2 perces mintával számol, és visszatértek a professzionális hangklónok (Professional Voice Clone) is. A v4 a forráshang hibáit is átveszi, ezért tiszta, egységes beszédstílusú felvétel kell, a régi klónokat pedig újra kell tanítani. Klónozni az érintett hozzájárulásával lehet: a Ptk. 2:48. §-a szerint hangfelvétel elkészítéséhez és felhasználásához az érintett hozzájárulása szükséges, és az ElevenLabs is igazolt hozzájárulást kér minden klónhoz. Az EU AI Act 50. cikke 2026. augusztus 2. óta alkalmazandó: ha MI beszél közvetlenül az ügyféllel, erről legkésőbb az első interakciókor tájékoztatni kell, a valós személy hangját utánzó deepfake-tartalmat pedig jelölni kell. A bírság elérheti a 15 millió eurót vagy a világszintű árbevétel 3%-át. Ez tájékoztatás, nem jogi tanács.
Megéri most átállni az Eleven v4-re?
Ha magyar nyelvű telefonos asszisztenst építesz vagy üzemeltetsz, a v4 Turbót mindenképp érdemes kipróbálni. A tesztünkben ez volt a legjobb egyensúly a gyors válasz és a helyes számfelolvasás között, és listaáron sem drágább, mint a Flash v2.5. Előre legenerált videónarrációhoz a v4 a jobb választás, de a saját hangoddal hasonlítsd össze a v3-mal, és a régi klónokat tanítsd újra. Ha pedig egy működő rendszeren egyelőre maradsz a régi modellnél, írasd ki betűvel a számokat: ez önmagában megoldotta a telefonszám-hibát.
Az időzítés is kedvező: 2026. október 12-ig a bevezető API-ár 72%-os kedvezményt ad a listaárhoz képest, vagyis kb. negyedáron lehet tesztelni. Ha magyar nyelvű, a számokat helyesen kimondó és az AI Act szerint jelzett telefonos asszisztenst szeretnél, nézd meg az AI telefonos asszisztens szolgáltatásunkat, vagy foglalj egy 30 perces ingyenes konzultációt.
A cikk AI-asszisztált kutatással és szerkesztéssel, emberi szakmai ellenőrzés mellett készült. Minden hivatkozott forrást publikálás előtt ellenőrzünk.
