Eleven v4 : écrire avec des balises audio, de l’IPA et des dialogues (mode d’emploi)

Avec Eleven v4, la qualité de la voix dépend autant du texte que vous collez que du modèle lui-même. ElevenLabs le dit dans sa documentation : la structure du texte influence fortement le résultat. Ce mode d’emploi rassemble ce que la documentation officielle explique sur les balises audio, les consignes de ton, la phonétique IPA, les pauses et les dialogues à plusieurs voix, avec des exemples de scripts prêts à adapter. Les tarifs et les chiffres cités ont été relevés sur les pages officielles le 25 octobre 2026.

Eleven v4 est le modèle de synthèse vocale lancé par ElevenLabs le 28 septembre 2026, avec une variante Turbo pour les agents en temps réel. Pour la présentation générale du modèle (langues, clonage, limites), voyez notre page dédiée à Eleven v4. Ici, on part du principe que le modèle est choisi et qu’on veut en tirer une voix expressive.

Relevé le 25.10.2026 sur les pages officielles d’ElevenLabs. Cette page contient des liens partenaires.

Les balises audio : de quoi parle-t-on exactement ?

Une balise audio est un mot ou une courte expression placé entre crochets, directement dans le texte, qui indique au modèle comment dire la phrase ou quel son produire. Selon la documentation ElevenLabs, elle peut se placer avant ou après le passage concerné : « [whispers] » avant une phrase, ou « This is hard. [sighs] » après. Les balises restent en anglais dans tous les exemples de la documentation, même quand le texte lu est dans une autre langue.

La documentation les range en trois familles. Les balises de voix servent à l’émotion et à la réaction, les balises sonores ajoutent un bruitage, et quelques balises expérimentales vont plus loin. Voici les exemples cités par l’éditeur.

Famille	Exemples cités dans la documentation	À savoir
Voix et réactions	[laughs], [laughs harder], [starts laughing], [whispers], [sighs], [exhales], [sarcastic], [curious], [excited], [crying], [snorts], [mischievously]	Le plus fiable : à associer à une voix dont le caractère correspond
Bruitages	[gunshot], [applause], [clapping], [explosion], [swallows], [gulps]	Peuvent être lus comme un son plutôt qu’une consigne
Expérimental	[strong X accent] (on remplace X par l’accent), [sings], [woo]	Résultat variable d’une voix à l’autre, selon l’éditeur

Le blog d’annonce donne aussi des exemples d’ambiance comme [light rain] ou [phone buzzing]. La liste n’est pas fermée : ce sont des textes libres, et la documentation note que l’orthographe exacte peut varier (on y croise aussi [whispering] ou [shouting]). Comptez donc un peu d’essai-erreur pour chaque voix.

Décrire la voix plutôt qu’un geste

Eleven v4 accepte aussi des consignes de jeu en langage naturel, toujours entre crochets. La documentation en donne des exemples comme « [Low, steady voice, restrained urgency] » ou « [Gentle laugh, then sincere] ». Le conseil de l’éditeur est d’écrire des balises qui décrivent la qualité de la voix que vous voulez entendre, par exemple « [low, gravelly voice] », plutôt que des indications qui pourraient être lues comme des bruits.

La même documentation déconseille les balises qui décrivent un geste ou une action sans rapport avec la voix, comme [standing], [grinning], [pacing] ou [music]. Elle recommande aussi de ne pas associer une balise légère à une voix sérieuse : un [giggles] sur une voix de narrateur grave risque de donner un résultat peu naturel.

La ponctuation fait aussi partie de la mise en scène

Sans balise, le modèle lit déjà le rythme dans le texte. D’après la documentation, les points de suspension ajoutent des pauses et du poids, les majuscules renforcent l’insistance, et la ponctuation standard règle la cadence. L’exemple officiel : « It was a VERY long day [sigh] … nobody listens anymore. ».

Point important pour ceux qui viennent d’autres outils : le SSML n’est pas pris en charge par Eleven v4 ni par v3, donc la balise de pause « break » ne fonctionne pas. Pour une pause, utilisez des points de suspension, une balise, ou découpez le texte en phrases courtes. La vitesse se règle dans les paramètres de la voix, entre 0,7 et 1,2 (1,0 par défaut), mais les valeurs extrêmes peuvent dégrader la qualité, d’après la documentation. Précisons que la documentation d’Eleven v4 indique que les curseurs Style et Vitesse du modèle ne sont pas proposés, seuls Stability et Similarity le sont : vérifiez ce que votre interface affiche pour la voix choisie.

Mots difficiles et noms de marque : la phonétique IPA

Quand une marque, un nom propre ou un terme technique est mal prononcé, Eleven v4 permet d’imposer la prononciation avec l’alphabet phonétique international (IPA). Il suffit d’écrire la transcription entre deux barres obliques, dans le texte. La documentation donne l’exemple d’une phrase qui contient le mot « biochemistry » transcrit entre barres, avec le modèle eleven_v4. Quelques règles à retenir :

• utilisez l’IPA standard et incluez les marques d’accent (ˈ et ˌ) ;
• appliquez-la seulement aux mots qui en ont besoin, pas à tout le texte ;
• passez le texte entre guillemets doubles quand vous l’envoyez par l’API ;
• plusieurs transcriptions peuvent figurer dans une même phrase ;
• le résultat peut encore varier selon la voix et la phrase : générez plusieurs fois et gardez la meilleure version.

Les anciennes balises XML de phonèmes ne concernent que les modèles v2 (eleven_flash_v2), pas Eleven v4. Si vous avez des textes préparés avec ce format, il faudra les convertir.

Écrire un dialogue à plusieurs voix

Le dialogue est l’un des points mis en avant par ElevenLabs : les répliques réagissent au contexte de la scène au lieu d’être enchaînées bout à bout. La documentation indique que v4 gère bien les textes à plusieurs voix, avec une méthode simple : étiquetez les répliques « Speaker 1: » et « Speaker 2: », attribuez à chaque intervenant une voix distincte de votre bibliothèque, et placez les balises dans les répliques, y compris au milieu pour une interruption ou un chevauchement. Pour une interruption, la documentation utilise un tiret devant la réplique coupée.

Speaker 1: [curious] Vous avez vu la nouvelle version ?
Speaker 2: [excited] Oui ! Elle gère enfin les rires [laughs] et les chuchotements.
Speaker 1: [whispers] Alors on la teste ce soir...

Cet exemple est un script d’illustration écrit pour cette page, pas un enregistrement : nous ne l’avons pas fait lire par le modèle. Côté API, ElevenLabs précise que le dialogue passe par les points d’accès « Create dialogue » et « Stream dialogue », et la génération d’une seule voix par « Create speech » et « Stream speech » avec l’identifiant eleven_v4.

Et en français, ça marche ?

La liste des modèles de la documentation mentionne le français parmi les plus de 90 langues d’Eleven v4. Toute la documentation de prompt est écrite en anglais, avec des exemples en anglais : rien n’y indique que les balises doivent être traduites, et nous recommandons de garder les balises en anglais tout en rédigeant le texte lu en français, puis de vérifier à l’oreille. Autre règle utile : quand la langue du texte correspond à celle de la voix de référence, l’accent d’origine est conservé ; sinon le modèle produit une parole fluide dans la langue cible. Pour une voix off en français, prenez donc une voix francophone. Notre sélection de voix IA françaises et la présentation du fonctionnement des voix IA aident à choisir.

Une méthode en cinq étapes pour un texte long

Les textes longs sont le terrain où l’on perd du temps et des crédits. Voici une méthode qui s’appuie sur les principes de la documentation, à ajuster selon vos projets.

1. Choisissez la voix d’abord. Les guides tiers que nous avons lus insistent sur ce point : une voix qui convient déjà au rôle donne un meilleur point de départ que n’importe quelle balise.
2. Écrivez le texte comme on parle. Phrases courtes, émotion claire, ponctuation soignée : la documentation précise que la structure du texte pèse sur le rendu.
3. Ajoutez peu de balises. Une balise par intention suffit. Surcharger le texte mélange les signaux.
4. Testez un passage de 3 à 5 phrases. Vérifiez les noms propres, puis corrigez ceux qui accrochent avec l’IPA.
5. Générez plusieurs fois et gardez la meilleure prise. La documentation reconnaît que le rendu peut varier d’une génération à l’autre.

Côté volume, la limite annoncée est de 10 000 caractères par requête, soit environ dix minutes d’audio selon la page des modèles. Pour un livre audio ou une longue vidéo, découpez par chapitres et gardez les mêmes réglages de voix d’un morceau à l’autre. Le blog d’annonce indique que l’enchaînement de requêtes pour les contenus longs (« request stitching ») est nettement plus fiable avec v4.

Les erreurs qui reviennent le plus souvent

À partir des recommandations de la documentation, quatre pièges sont à éviter. Le premier est de multiplier les balises dans une même phrase : le modèle reçoit des consignes contradictoires et le rendu devient artificiel. Le deuxième est de choisir une balise qui ne correspond pas au caractère de la voix, par exemple un rire espiègle sur une voix grave de documentaire. Le troisième est d’utiliser une balise ambiguë, qui peut être entendue comme un bruitage au lieu d’une intention. Le quatrième est de modifier le texte d’origine en voulant l’enrichir : ajoutez des balises, mais ne changez pas les mots, sans quoi vous perdez la fidélité au script validé.

Combien ça coûte d’expérimenter ?

Le plan gratuit d’ElevenLabs offre 10 000 crédits par mois, sans licence commerciale ni clonage vocal. Le plan Starter coûte 6 $ par mois (promotion à 1 $ le premier mois affichée jusqu’au 1er novembre sur la page tarifs), avec 30 000 crédits, la licence commerciale et le clonage instantané. Creator est à 22 $ par mois pour 121 000 crédits. Deux limites à connaître : la disponibilité d’Eleven v4 sur le plan gratuit n’est pas confirmée par les pages officielles que nous avons lues, et ElevenLabs ne publie pas le coût en crédits par caractère de v4. Générez un court extrait et regardez ce qu’il consomme sur votre compte. Notre avis sur ElevenLabs détaille chaque formule.

Questions fréquentes sur l’écriture pour Eleven v4

Qu’est-ce qu’une balise audio dans Eleven v4 ?

C’est un mot ou une courte expression entre crochets, comme [whispers] ou [laughs], placé dans le texte pour indiquer l’émotion, la manière de dire ou un bruitage. Elle peut se placer avant ou après le passage concerné.

Faut-il écrire les balises en français ?

La documentation officielle donne ses exemples en anglais et ne dit rien de précis sur la traduction des balises. Le plus prudent est de les garder en anglais et de vérifier le rendu à l’oreille avec votre voix.

Eleven v4 gère-t-il le SSML et les pauses ?

Non, le SSML n’est pas pris en charge, y compris la balise de pause. On crée des pauses avec des points de suspension, des balises ou une construction de phrases adaptée.

Comment corriger la prononciation d’un nom de marque ?

Écrivez sa transcription en alphabet phonétique international entre deux barres obliques, avec les marques d’accent, uniquement pour ce mot. Testez avec votre voix, car le résultat peut varier.

Comment faire parler deux personnages ?

Étiquetez les répliques « Speaker 1 » et « Speaker 2 », attribuez une voix différente à chaque intervenant et placez les balises dans les répliques. Côté API, on utilise Create dialogue ou Stream dialogue.

Sources : bonnes pratiques de synthèse vocale d’ElevenLabs et annonce officielle d’Eleven v4, relevées le 25.10.2026.