"Se compararmos o Multilingual v2 com o Eleven v3, com certeza o v3 é melhor, né?"
Muitos criadores pensam assim, especialmente agora que o Eleven v3 saiu da fase Alpha e foi lançado oficialmente como o modelo topo de linha da plataforma.
Para tirar a prova real, testamos a mesma voz em português brasileiro usando o v2 e o v3 em 4 categorias de áudio.
Embora o v3 seja imbatível na expressividade das emoções, o v2 ainda vence no quesito consistência de voz.
Analisamos em detalhes o comportamento de ambos os modelos e trouxemos 9 faixas comparativas para você ouvir a diferença.
Olá, aqui é o Sonetho! ⚡
Já faz um tempo que o Eleven v3 foi lançado oficialmente em sua versão definitiva (GA).
Embora o v3 esteja se tornando o "modelo padrão" do ecossistema,
quem cria conteúdo diariamente percebe que o v3 não supera o v2 em todos os cenários. (Eu mesmo ainda utilizo o v2 para vários projetos!)
Por isso, decidimos realizar um teste rigoroso.
Utilizando a mesma voz em português e o mesmo roteiro, geramos os áudios no v2 e no v3 para um comparativo direto.
👉 O teste foi realizado utilizando o Plano Creator da ElevenLabs.
Tanto o v2 quanto o v3 permitem clonagem de voz profissional (PVC) a partir deste plano — novos usuários garantem 50% de desconto no primeiro mês (saindo por apenas $11 USD).
🔬 Metodologia do Teste
Modelos testados: Eleven Multilingual v2 / Eleven v3
Voz utilizada: Mike — Friendly, Balanced and Clear, disponível na Voice Library (PVC)
Roteiro: Dividido em 4 segmentos (Tom de conversa cotidiano, Emoções, Mistura de inglês/números e Tags de efeitos sonoros)
Variável de controle (apenas no Segmento 1): Testamos o v3 em duas versões: "com quebras de linha" e "sem quebras de linha" para avaliar a consistência da voz entre as frases.
Dificuldade intencional (Segmento 3): Inserimos termos como "GPT-5.5", "$22" e siglas sem conversão fonética direta, avaliando como o modelo interpreta elementos visuais e estrangeirismos de forma nativa.
🎙️ Segmento 1 — Tom Cotidiano (Leitura Linear e Conversacional)
Este teste simula um roteiro padrão em português.
O foco aqui não é o texto em si, mas sim entender o comportamento da voz diante das quebras de parágrafo.
No ElevenLabs Studio, inserimos o mesmo roteiro de duas formas:
Com quebra de linha: Dividido em 4 parágrafos curtos independentes.
Sem quebra de linha: O texto completo unificado em um único bloco de parágrafo.
v2 (Com quebra de linha)
v3 (Com quebra de linha)
v3 (Sem quebra de linha — parágrafo único)
📌 Descoberta 1: O v3 altera sutilmente a entonação a cada nova linha.
O v2 mantém a estabilidade perfeita do início ao fim: ritmo, entonação e velocidade de fala são idênticos entre os parágrafos.
Já o v3, a cada nova quebra de linha, parece redefinir os parâmetros de voz (reseed), provocando oscilações sutilmente perceptíveis na entonação (além de ocasionais cortes secos no fim das palavras).
Quando eliminamos as quebras de linha (no terceiro áudio), o v3 volta a apresentar consistência linear.
Isso indica que a oscilação não é uma falha de geração do v3, mas sim uma característica de processamento em bloco (reseding por bloco de parágrafo).
Por que isso importa? Para projetos longos onde a estabilidade da voz é primordial — como audiolivros, vídeos sequenciais ou podcasts —, o v2 se mostra mais prático no dia a dia.
Para mitigar isso no v3, a saída é processar o roteiro em parágrafos mais longos e contínuos dentro do ElevenLabs Studio.
😊 Segmento 2 — Expressão de Emoções (Surpresa, Alegria e Seriedade)
Análise de como cada modelo lida com mudanças de sentimentos no mesmo fluxo de texto.
v2
v3
📌 Descoberta 2: O v3 é infinitamente superior na expressividade emocional.
O v2 é linear. Uma expressão de surpresa como "Sério, você está brincando?!" e uma frase reflexiva como "Para ser sincero, isso me chocou um pouco" mantêm exatamente a mesma dinâmica de fala neutra.
O v3 possui uma amplitude de atuação muito mais rica.
A surpresa ganha uma elevação no tom de voz, momentos sérios recebem pausas dramáticas de respiração e até as hesitações naturais da fala humana são geradas organicamente.
Nesse aspecto, o v2 não consegue competir. Para comerciais dinâmicos, dublagem artística ou narração interpretativa, o v3 é sem dúvida a escolha perfeita.
Quer testar a expressividade do v3? Acesse ambos os modelos em sua conta
Tanto o v2 quanto o v3 estão inclusos a partir do plano Creator, permitindo também a clonagem de sua própria voz. Garanta 50% de desconto no primeiro mês ($11 USD) e compare na prática.
Experimentar v2 e v3 com 50% de desconto no Plano Creator →
🔤 Segmento 3 — Mistura de Inglês, Números e Siglas Locais
Este teste revelou o trade-off mais evidente entre as duas gerações do modelo.
Forçamos o sistema a ler elementos como "GPT-5.5", "$22", "Claude Opus 4.7" e termos técnicos com siglas sem nenhuma adaptação fonética prévia.
v2
v3
📌 Descoberta 3 (Trade-off): A dependência de dados de treinamento.
O v2 baseia-se fortemente na estrutura de treino da voz.
Se a sua voz clonada por PVC possui uma base rica com termos em inglês e numerais, o v2 lidará bem com eles.
No entanto, se o modelo de treino não contiver essa variação de dados, o v2 poderá falhar ou travar na pronúncia de numerais complexos.
O v3 é muito mais inteligente na interpretação de termos desconhecidos de forma independente de treino.
Ele converte prontamente "$22" para "vinte e dois dólares" ou "300ms" para "trezentos milissegundos" de forma totalmente natural em português.
📌 Descoberta 4: A oscilação de sotaque no v3.
Um ponto de atenção no v3 é que ele pode apresentar oscilações no sotaque ao pronunciar palavras em inglês dentro do mesmo bloco de áudio, alternando entre entonações britânica, americana e aportuguesada.
Dizer "ElevenLabs" ou "Creator" pode soar diferente em cada geração de frase, exigindo ajustes manuais em projetos de vídeo que demandem sotaque padronizado.
O v2 mantém a consistência da pronúncia que aprendeu, embora possa soar um pouco mais "robótico" em termos estrangeiros caso a base de treino da voz seja limitada.
Resumo prático:
Em vozes prontas da biblioteca (ex: Mike): Ambas lidam de forma razoável com inglês e números, com o v3 soando ligeiramente mais fluído.
Sua voz PVC com treinamento rico: O v2 é excelente para manter a constância de sotaque e pronúncia de termos técnicos ao longo de todo o projeto.
Sua voz PVC com pouca diversidade de termos no treino: O v2 pode apresentar inconsistência na leitura de símbolos e numerais. O v3 é a opção mais segura aqui.
Exigência de sotaque estrangeiro padronizado do início ao fim: v2 (demanda menos pós-produção).
🎭 Segmento 4 — Tags de Efeitos Sonoros ([laughs], [sigh], etc.)
A diferença de expressividade e as tags do v3 ficam nítidas quando você mesmo escreve o roteiro. Acesse o Text to Speech da ElevenLabs, insira frases normais misturadas com tags como [laughs] (risadas) ou [sigh] (suspiro) e comprove os resultados do modelo v3 em segundos.
🎙️ Testar Tags do v3 no Text to Speech agora →Uma das grandes novidades do v3 é o suporte à interpretação de tags comportamentais no meio do texto.
Veja a diferença em relação ao v2:
v2
v3
📌 Descoberta 5: O v2 ignora as tags ou tenta lê-las literalmente.
Se você incluir uma tag como "[laughs]" no roteiro, o v2 tentará soletrar a palavra ou simplesmente ignorará a instrução, pois não reconhece comandos de efeitos no processamento de áudio.
O v3 converte as instruções em sons humanos reais.
A tag "[laughs]" gera uma risada realista e integrada ao tom de fala, enquanto "[sigh]" adiciona um suspiro natural de cansaço ou desânimo. Vitória clara do v3.
📊 Tabela Comparativa — Resumo das Descobertas
Aspecto | v2 | v3 | Vencedor |
|---|---|---|---|
Naturalidade de Conversa | Bom | Excelente | v3 |
Consistência de Voz (entre parágrafos) | Muito Estável | Instável por quebra | v2 |
Consistência de Sotaque Estrangeiro | Estável | Oscila de sotaque | v2 |
Expressão Emocional | Linear | Muito Rica | v3 |
Números e Símbolos (com treino em PVC) | Natural | Natural | Empate |
Números e Símbolos (sem treino em PVC) | Instável | Excelente | v3 |
Termos Técnicos e Siglas | Depende do treino | Flexível e Nativo | v3 |
Tags de Som ([laughs], etc.) | Ignora | Processa | v3 |
Conclusão: "Você precisa de ambos" — O plano Creator resolve tudo
Como os modelos brilham em cenários diferentes, assinar o plano Creator com 50% de desconto por apenas $11 USD é o caminho mais prático para acessar o melhor dos dois mundos.
Acessar Plano Creator com 50% de Desconto e Usar v2 e v3 →
🎯 Qual Modelo Usar para Cada Conteúdo? Recomendações por Cenário
① Séries de vídeos, audiolivros ou episódios longos — v2
Para narrações longas compostas por múltiplos parágrafos, a consistência de voz é essencial.
Como o v3 tende a redefinir sutilmente o tom a cada quebra de linha, o v2 continua sendo a escolha mais segura e profissional aqui (especialmente se você tem um clone de voz PVC bem treinado).
② Comerciais curtos, dublagem expressiva ou vozes de personagens — v3
A amplitude dinâmica das emoções do v3 é imbatível. Para conteúdos dinâmicos e curtos, o v3 é infinitamente superior.
③ Projetos via API, relatórios financeiros com muitos números ou materiais técnicos — v3
O v3 lê termos técnicos e números sem precisar de dados prévios de treinamento. Apenas fique atento à oscilação de sotaque em termos em inglês se precisar de precisão absoluta.
💡 Veja como colocar isso em prática para relatórios complexos ou artigos científicos usando o ElevenReader aqui → Como usar o ElevenReader para ler relatórios complexos com o modelo v3
④ Conteúdos interativos usando tags de efeitos sonoros — v3
Se seu roteiro precisa de risadas, sussurros ou suspiros reais, use o v3 sem pensar duas vezes.
⑤ Vídeos diários usando seu próprio clone de voz (PVC) — v2
Se você usa o seu próprio clone de voz diariamente e alimentou a plataforma com bons áudios de treino, o v2 tende a entregar resultados muito mais previsíveis, consistentes e fáceis de pós-produzir do que o v3.
💡 Conclusão — A Visão do Sonetho
Embora a ElevenLabs esteja promovendo o v3 como o novo padrão da plataforma, neste momento o v3 ainda não substitui o v2 em todas as frentes.
O comportamento do v3 em quebras de linha parece ser uma característica de processamento por parágrafo ("reseed por bloco"), e não um bug de áudio. É provável que isso seja refinado nas próximas atualizações do modelo v3 GA.
Recomendação atual:
Se você busca consistência total de voz + controle de sotaques estrangeiros + uso diário de PVC: use o v2.
Se busca expressividade dramática + efeitos sonoros + leitura flexível de siglas e números inéditos: use o v3.
Alternar entre os dois modelos de acordo com o tipo de projeto é a estratégia mais inteligente e econômica no momento.
👉 Confira o passo a passo completo no Guia de Descontos ElevenLabs para 2026.
👉 Ou clique aqui para acessar o Link com Cupom de 50% de Desconto Ativado Automaticamente (Novas Contas).
📚 Artigos Recomendados
Segredos de um Usuário de 2 Anos da ElevenLabs: Não gaste créditos à toa sem ler isto
Guia de Clonagem de Voz Profissional na ElevenLabs (Passo a Passo PVC)
ElevenLabs Scribe v2 — Separação de vozes e transcrição inteligente
Até o próximo post! Este foi o Sonetho. ⚡
📚 Leituras Recomendadas
API da ElevenLabs até 55% mais barata! Guia completo do plano Pay-As-You-Go e cálculo de custos