ElevenLabs 推出图像与视频生成工具：集成 Sora 和 Kling，打通全流程

过去做一条 AI 生成的短视频，创作者几乎得像个数字搬运工：先在图像工具里跑图，再把图丢进视频模型生成动态镜头，接着打开 ElevenLabs 配音，最后导入剪辑软件对口型、铺背景音效。

ElevenLabs 正式发布 ElevenLabs Image & Video（Beta 版）。这家以 AI 语音闻名的公司，把业界主流的图像和视频大模型全接进了自己的平台，让创作者在一个工作流里搞定从生图、生成视频到终剪导出的全过程。

热门模型全打包，连口型也包办

这次更新最亮眼的地方，是 ElevenLabs 几乎把市面上叫得出名字的顶尖视觉模型都聚齐了。

在静态图像方面，平台接入了 Nanobanana、Flux Kontext、GPT Image 和 Seedream。创作者可以用这些模型生成分镜故事板、视频缩略图，或者作为视频生成的首帧参考。

在视频生成上，平台整合了 Veo、Sora、Kling、Wan 以及 Seedance。你可以在同一个界面里调用不同模型生成镜头片段，还能直接对低分辨率素材进行放大增强，并把多个片段拼接成连贯的故事。

更关键的是口型同步功能。生成好视频后，系统能直接调用 ElevenLabs 的语音库，把角色的嘴型和旁白台词精准对齐，省去了来回对帧的麻烦。

在单条时间线上完成终剪

所有画面搞定之后，创作者可以直接把素材推送到内置的 Studio 工具里进行精细调整。

说白了，你不用再把视频文件导出到第三方剪辑软件里折腾配音了。

在 Studio 中，创作者既能挑官方库里的拟真声音，也能直接用自己克隆好的声线录制旁白。同时，平台支持生成定制背景音乐和叠加各类音效。

整套配音、音效和画面的对齐，都在同一条时间线上完成，调整好时序后，就能直接导出可交付的成品视频。

为什么重要

对创作者、广告营销人员和自媒体团队来说，这套工具最大的价值就是省时间。以往跨平台切换不仅要面对各种导包格式，还要为每个模型单独买订阅。现在只要一个入口，就能调用主流视觉模型，并直接借用 ElevenLabs 顶级的音频能力把片子做完，对经常要做旁白视频的内容团队来说，现在就值得去上手试试。

我们认为，ElevenLabs 这一步走得相当聪明。它没有头铁去自己烧钱自研底层视频大模型，而是退后一步当聚合者和包装者。大家在底层卷算法、拼生成长度，它把 Veo、Sora、Kling 和 Wan 都拉过来当劳力，自己则守住最擅长的语音、口型同步和工作流中枢。

这也给其他 AI 视频平台敲了警钟。现在的竞争已经从单纯比拼谁的画面更逼真，转向了谁能提供完整的端到端交付能力。画面做得再好，如果配不上自然的声音和精准的口型，离商业成片就永远差一口气。

不过看起来潜在的隐患也不少。多模型聚合意味着调用成本和定价设计会更复杂，而且不同底座模型拼出来的镜头风格是否统一，依然考验创作者的调优功底。但无论如何，音画一体的创作门槛，确实被它又往下砸了一大截。