ElevenLabs 发布 Eleven v3 Alpha：支持情感控制标签与 70 多种语言

过去做 AI 配音，最让人头疼的不是发音不准，而是语气太像没有感情的播报员。一旦剧本里需要一声叹气或者轻蔑的冷笑，创作者往往只能自己录音，或者在剪辑软件里反复拼贴素材。

ElevenLabs 正式推出了新一代语音合成模型 Eleven v3 的 Alpha 测试版本。这一版的核心变化，就是让 AI 真正看懂台词的情绪，并允许用户直接在文本里手动「导演」声音的情感走向。

像导演给演员讲戏一样写台词

以往的语音合成大多只认字面意思，很难处理上下文中的语气起伏。Eleven v3 增强了上下文感知能力，能够根据句子的含义与标点符号自动调整语速和停顿。

更直观的变化在于引入了音频标签机制。创作者现在可以在文字脚本中直接插入类似于方括号标记的提示词，比如加入轻声细语或温暖笑声的指示，模型读到这些标签时就会做出相应的语气切换与叹气声。

在规格方面，Eleven v3 Alpha 支持超过 70 种语言。在接口调用上，单次请求上限支持到 5000 个字符，足够容纳较长篇幅的剧情独白或双人对话剧本。

从独立游戏到有声书制作

除了情绪控制，ElevenLabs 的整体生态也为多场景应用提供了支撑。平台库中拥有超过 1.75 万种声音，创作者可以按年龄、口音和应用场景挑选合适的音色，也可以通过声音克隆技术快速建立定制化音库。

在生成后的工程对接上，系统支持网页端和移动端操作，并开放了对应的 API 接口。生成的音频既可以通过 MP3 快速预览，也可以导出为适合后期母带处理的无损格式。

对于需要多语言本地化的内容团队来说，同一个角色音色可以直接切到其他语言演绎，省去了跨国寻找母语配音演员的繁琐沟通。

为什么重要

对内容创作者和独立游戏开发者来说，这相当于把配音门槛又往下砍了一大截。以往做一段带哭腔或者耳语的叙事音频，AI 声音很容易露馅，而 Eleven v3 允许创作者用极低的成本通过文本指令精细微调语气，小团队也能做出接近商业级表现力的角色音频。

对整个语音生成行业而言，竞争焦点已经彻底从「咬字清不清晰」转移到了「表演力与可控性」。当竞争对手还在优化自然度时，ElevenLabs 选择把控制权用最直观的文本标签交给创作者，这一步走得相当务实，避开了复杂的参数滑块，学习成本很低。

不过，目前的 v3 仍处于 Alpha 阶段，标签的响应精度和语气过渡在长篇多角色场景下是否会出现偏差，依然需要在实际生产中验证。对于严肃的内容团队，我们认为可以先拿分支剧情或非核心 NPC 台词来测试，观察其在复杂语境下的稳定性。