ElevenLabs прокачали свои модели для генерации речи.

В Eleven v4 и v4 Turbo можно задавать эмоции и манеру речи с помощью специальных тегов — от шёпота и вздохов до криков. Голос можно склонировать всего по 10 секундам записи, а одна генерация поддерживает 90+ языков и их смешивание.

Пробуем здесь.