ElevenLabs v4 : utiliser les balises audio pour des voix expressives

La réponse rapide : que sont les balises audio ElevenLabs v4 ?

Dans ElevenLabs, une balise audio (audio tag) est une indication courte placée entre crochets dans le texte destiné à la synthèse vocale. Elle demande au modèle de modifier la manière de parler : chuchoter, exprimer de la curiosité, soupirer, rire ou donner une intention particulière à une phrase. La balise sert à guider l'interprétation ; ce n'est pas un texte que vous souhaitez faire prononcer.

Par exemple, le script « [whispering] Je crois avoir entendu quelque chose. [sighs] Mais la porte est fermée. » demande d'abord un chuchotement, puis un soupir. Les balises ne promettent pas un résultat identique à chaque génération : l'effet dépend du modèle, de la voix, du contexte et de la formulation. ElevenLabs recommande aujourd'hui Eleven v4 plutôt que v3 pour la majorité des usages.

• Placez une balise juste avant le passage concerné.
• Gardez le texte à prononcer naturel et correctement ponctué.
• Écoutez le résultat avant de conserver ou de facturer une génération.

Eleven v4 ou v4 Turbo : choisir le bon modèle avant le script

Eleven v4 (eleven_v4) privilégie la fidélité et la qualité de la synthèse vocale : narration, doublage de personnages et livres audio. Eleven v4 Turbo (eleven_v4_turbo) vise les usages où la réponse doit arriver très vite, notamment les interactions vocales. Les deux modèles font partie de la famille v4 et prennent en charge des balises audio ; la documentation répertorie plus de 90 langues prises en charge.

Si vous réalisez une voix off enregistrée, commencez par Eleven v4 et comparez les variations à l'écoute. Si vous concevez un agent vocal interactif, consultez plutôt les possibilités et contraintes de Turbo. Ne choisissez pas v3 uniquement parce qu'un ancien tutoriel le présente comme la version la plus récente : ElevenLabs a annoncé v4 le 28 septembre 2026.

• Narration à monter : Eleven v4 en priorité.
• Dialogue interactif à faible latence : examiner Eleven v4 Turbo.
• Projet déjà en v3 : vérifier que vos balises passent sur v4 avant toute migration.

Étape 1 — Sélectionner une voix adaptée à votre texte français

Dans l'espace de génération Text to Speech d'ElevenLabs, préparez un texte court et choisissez une voix dont la langue et l'accent correspondent au rendu recherché. Une voix qui articule naturellement le français sera généralement un meilleur point de départ qu'une voix choisie sur un seul extrait spectaculaire. Les noms exacts des commandes peuvent évoluer : fiez-vous aux indications du modèle et de l'éditeur affichées dans votre compte.

Pour une vidéo en français, testez d'abord deux ou trois phrases difficiles : une question, un mot avec accent, un nom propre. Conservez la même voix et la même phrase pendant les comparaisons suivantes. Cela évite de confondre l'effet d'une balise avec la différence entre deux comédiens vocaux virtuels.

Étape 2 — Rédiger d'abord une phrase compréhensible sans effet

Commencez par un texte qui fonctionnerait à voix haute sans annotation. Une ponctuation claire et des phrases de longueur raisonnable donnent déjà des indices de rythme au modèle. Évitez de surcharger un premier essai avec dix balises différentes ; vous ne sauriez plus laquelle a provoqué le changement.

Prenez par exemple « Je pensais être seul. Pourtant, quelqu'un vient de frapper à la porte. » Écoutez ou imaginez d'abord le rendu neutre attendu. Ajoutez ensuite une seule indication, comme [quietly] avant la seconde phrase, pour pouvoir comparer précisément la différence.

Étape 3 — Insérer une balise entre crochets au moment exact

La syntaxe est simple : une indication courte entre [ ], suivie du passage auquel elle s'applique. Vous pouvez combiner des indications, mais un changement par phrase reste plus facile à évaluer au début. Les mots des balises sont souvent rédigés en anglais même lorsque la voix produit du français, conformément aux exemples fournis dans la documentation ElevenLabs.

Une balise n'est pas un bouton qui crée toujours la même émotion : elle est interprétée avec le texte environnant. [whispering] Fermez la fenêtre. et [shouting] Fermez la fenêtre ! orientent deux performances radicalement différentes de la même demande. Les crochets ont ici un rôle : ne les remplacez pas par des parenthèses si vous voulez reprendre les exemples de la documentation.

• Émotion : [curious], [sad], [excited].
• Interprétation : [whispering], [shouting], [low, gravelly voice].
• Réaction non verbale : [laughs], [sighs], [clears throat].

Les émotions utiles : guider la curiosité, la surprise ou l'inquiétude

Une narration expressive ne consiste pas à ajouter « joyeux » partout. Choisissez l'émotion que le spectateur doit comprendre à un instant donné. Pour une découverte : [curious] Pourquoi cette lumière est-elle allumée ? Pour une nouvelle attendue : [excited] Nous avons enfin reçu la réponse ! Pour une hésitation : [worried] Je ne suis pas sûr que ce soit une bonne idée.

Une émotion trop forte peut nuire à la compréhension d'une vidéo pédagogique ou d'un message de marque. Écrivez une phrase sobre et demandez seulement une inflexion cohérente. Les balises sont des instructions de jeu ; elles ne remplacent ni une bonne voix ni un contenu intelligible.

Chuchoter, crier et nuancer le timbre sans rendre la voix artificielle

Les balises de diction sont utiles pour différencier les situations. [whispering] N'allumez surtout pas la lumière. peut suggérer le secret, tandis que [shouting] Attention, reculez ! signale l'urgence. Pour une voix grave et retenue, une description plus explicite, comme [low, steady voice], peut aider le modèle à comprendre ce que vous cherchez.

Selon ElevenLabs, une balise peut être moins fiable si la voix choisie n'a pas appris ce type de jeu dans ses enregistrements. v4 progresse sur ce point, mais aucune voix ne garantit tous les styles. Si l'effet est exagéré, remplacez « shouting » par une direction plus modérée, telle que [firmly], puis contrôlez le résultat.

Rire, soupirer, reprendre son souffle : les réactions non verbales

Les balises de réaction donnent un détail humain à une scène : [laughs] pour un rire, [sighs] pour un soupir ou [clears throat] pour un raclement de gorge. Elles sont utiles quand une réaction compte autant que les mots, par exemple dans une fiction ou un dialogue à plusieurs personnages.

Ces réactions peuvent devenir envahissantes si elles apparaissent à chaque réplique. Prévoyez-les comme des événements ponctuels. Les modèles peuvent interpréter une instruction ambiguë comme un bruitage au lieu d'un effet sur la voix ; soyez explicite sur ce que vous demandez et écoutez le passage complet.

Trois scripts français prêts à adapter

Voix off de suspense. « [low, steady voice] Le couloir était vide. [whispering] Puis une voix a murmuré mon prénom… [sighs] J'ai compris que je n'étais pas seul. » Ici, les balises organisent une progression du calme vers l'inquiétude. Elles constituent une proposition de texte, pas la transcription d'un essai audio réalisé par Claim26.

Annonce enthousiaste. « [excited] La nouvelle version est disponible ! [warmly] Merci à toutes les personnes qui ont suivi ce projet. » Deux directions suffisent pour distinguer l'annonce et la reconnaissance.

Scène de conversation. « [curious] Tu as entendu cette musique ? [chuckles] Je crois que quelqu'un prépare une surprise. » Pour générer deux voix réellement distinctes, utilisez une fonction de dialogue à plusieurs intervenants plutôt que d'espérer qu'une balise change toute seule l'identité du locuteur.

Faire varier l'émotion au milieu d'un paragraphe

Sur une narration longue, placez les indications avant les tournants importants plutôt qu'au début de chaque phrase. Un paragraphe peut commencer d'une voix neutre, devenir inquiet au moment de la révélation et retrouver un ton rassurant à la fin. Les changements doivent correspondre à l'histoire, pas à une cadence mécanique.

Travaillez par passages courts. Réécoutez les transitions entre deux émotions et vérifiez que le même personnage reste reconnaissable. Si le modèle accentue trop le jeu ou prononce une balise, simplifiez la formulation avant d'ajouter des paramètres supplémentaires.

Dialogue à deux personnages : les balises ne choisissent pas la voix

Pour une conversation avec deux personnages, la documentation ElevenLabs présente Text to Dialogue. Chaque tour possède son propre texte et une voix sélectionnée séparément. Le voice_id identifie le locuteur ; les balises placées dans son texte influencent sa manière de parler. Une balise comme [angry] ne sélectionne pas automatiquement une nouvelle voix.

Préparez d'abord les répliques et les personnages, puis ajoutez des réactions seulement lorsque cela sert la scène : une interruption, un rire, un soulagement. Les chevauchements et la spontanéité peuvent varier. Écoutez chaque changement de locuteur, notamment si le dialogue sert à un podcast, un jeu ou un livre audio.

Pauses avec Eleven v4 : pourquoi les balises SSML break ne marchent pas

C'est une confusion fréquente entre les générations de modèles. Eleven v4 et Eleven v3 ne prennent pas en charge les balises de pause SSML break. Les anciennes instructions de type <break time="1.5s" /> ne sont donc pas la bonne méthode pour v4, même si elles restent documentées pour certains modèles antérieurs comme Multilingual v2 ou Flash.

Utilisez plutôt la ponctuation, des points de suspension pertinents ou une indication de pause compatible avec le modèle. Ne transformez pas toutes les virgules en ordres de silence : la structure des phrases aide déjà à régler le rythme. Pour les différences détaillées selon les modèles, consultez le guide Claim26 « Ajouter une pause dans ElevenLabs ».

Réglages v4 : stabilité et similarité, pas les anciens curseurs

ElevenLabs précise que v4 repose sur deux réglages principaux : stabilité et similarité. Une stabilité plus basse autorise davantage de variations dans le jeu, tandis qu'une stabilité plus élevée vise un résultat plus constant. La similarité influence la proximité avec la voix de référence. Ce sont des compromis, pas des notes de qualité absolues.

Ne copiez pas mécaniquement les recommandations de guides conçus pour v2 : les curseurs Style et Vitesse ne sont pas disponibles dans Eleven v4, selon la documentation officielle actuelle. Si vous utilisez une Professional Voice Clone, un contrôle supplémentaire de l'intensité du clone peut apparaître. Commencez par les valeurs par défaut affichées, puis modifiez un paramètre à la fois.

Bouton Enhance : utile pour commencer, pas pour se passer de relecture

ElevenLabs documente une fonction « Enhance » dans l'interface : elle peut enrichir automatiquement un texte avec des balises adaptées au contexte. Cela fournit un premier brouillon de mise en scène vocale, surtout si vous ne savez pas quel type d'indication choisir.

Relisez cependant toutes les indications ajoutées. Retirez celles qui contredisent le message ou qui caricaturent une émotion, puis vérifiez que le texte réellement prononcé conserve votre sens initial. Pour une marque, la sobriété et la compréhension comptent davantage qu'une démonstration permanente d'effets.

Pourquoi ElevenLabs ignore parfois une balise ou produit un bruitage

La documentation avertit que l'interprétation des audio tags est encore en amélioration. Un mot ambigu peut conduire à un bruitage plutôt qu'à une indication de timbre ; une voix peut mal reproduire un style inhabituel. Ajoutez donc des précisions qui décrivent le son de la voix, par exemple [low, gravelly voice], au lieu d'un simple mot pouvant désigner plusieurs choses.

Une méthode de dépannage consiste à garder la même phrase et la même voix, puis à comparer trois versions : neutre, avec une balise, avec une balise reformulée. Ne changez pas simultanément le texte, la voix, le modèle et la stabilité. Ce protocole d'écoute est une recommandation éditoriale, pas une mesure expérimentale publiée par ElevenLabs.

Crédits et abonnement : tester sans promettre la gratuité

Les générations et les nouvelles tentatives dépendent des crédits et du forfait ElevenLabs. Un article rédigé aujourd'hui ne peut pas vous garantir qu'une version particulière est gratuite ou incluse dans votre offre : ces conditions varient. Regardez le coût estimé, le modèle sélectionné et le solde affiché avant de lancer une longue narration.

Pour préserver vos crédits, commencez par dix à vingt secondes de texte, choisissez l'interprétation, puis étendez votre script. Conservez les versions convaincantes. Consultez aussi le comparatif Claim26 des tarifs ElevenLabs pour distinguer les fonctions et les droits réellement associés à chaque formule.

Voix clonées, consentement et diffusion publique : garder les droits en tête

Une voix expressive ne donne pas le droit d'imiter n'importe quelle personne. Utilisez une voix pour laquelle vous avez les autorisations requises, respectez les conditions du service et ne présentez pas une voix synthétique comme l'enregistrement authentique d'une personne réelle. Les règles d'utilisation commerciale dépendent aussi du forfait et des conditions applicables.

Si vous créez une publicité, un livre audio ou une vidéo sponsorisée, séparez deux questions : la licence du service pour exploiter l'audio et les droits sur la voix, le texte ou les autres contenus. Vérifiez les conditions au moment de la publication ; la présence d'un bouton d'export n'est pas une garantie juridique générale.

Checklist d'écoute avant d'exporter une voix expressive

Après avoir choisi le meilleur script, écoutez l'audio entier, pas seulement le premier effet. Vérifiez que les accents français et les noms propres sont corrects, que les silences ne cassent pas le rythme, que les émotions sont adaptées et que le volume ne varie pas brusquement. Écoutez si possible sur un casque puis sur un haut-parleur ordinaire.

Pour un dialogue, contrôlez la cohérence des personnages et le respect du tour de parole. Pour une voix off, comparez la phrase la plus chargée en balises à une phrase neutre. Si le rendu n'est pas intelligible, réduisez les instructions avant de tenter un nouvel effet.

• Texte et noms propres prononcés correctement.
• Balises interprétées comme jeu vocal plutôt que lues à voix haute.
• Émotions utiles et compréhensibles dans le contexte.
• Locuteurs et accents cohérents d'un passage à l'autre.
• Crédits, licence et autorisations vérifiés avant diffusion.

Conclusion : quelques balises précises valent mieux qu'un script surchargé

Eleven v4 rend plus accessible la direction d'une voix de synthèse : une balise peut demander un chuchotement, une émotion ou une réaction au bon moment. La méthode efficace reste simple : choisir la bonne voix, écrire une phrase naturelle, ajouter une instruction, écouter, puis affiner. Les textes présentés ici sont des exemples de rédaction, sans démonstration d'un test dans un compte ElevenLabs.

Pour passer à la pratique, ouvrez ElevenLabs, sélectionnez un modèle v4 adapté à votre projet et commencez par une courte séquence. Claim26 peut recevoir une commission si vous souscrivez via son lien partenaire ElevenLabs, sans supplément annoncé pour vous. Pour approfondir, lisez ensuite nos guides sur les pauses, les réglages vocaux et le clonage responsable.