ElevenLabs 上线 Eleven v3 alpha：支持多人对话与音频标签情绪控制

以前想用 AI 配音做一段像样的广播剧或游戏过场，过程通常很折磨。你得把每个角色的台词一段段单独生成，再拖进剪辑软件里对轨，稍微想加点争吵、插话或者语气突变，听起来就像两个互不相识的机器人在按顺序读稿。

ElevenLabs 宣布把新一代模型 Eleven v3 的 alpha 测试版正式放进了 API 接口。这次更新的核心不是单纯把嗓音做得更逼真，而是让 AI 学会像真人一样搭话。

不只一个人念稿，而是直接拉群聊

新版本最核心的变化是加入了对话模式。在这个模式下，调用方不再受说话人数量的限制，想在一段音频里塞进多少个不同的声音都可以。

更关键的是交互细节。Eleven v3 能够根据上下文理解自然的插话和打断，还能在对话推进时切换语调和情绪线索，不再需要开发者人工去掐气口和时间轴。

如果需要精确控制角色状态，开发者现在可以通过专门的音频标签来调整发音和情绪强度。另外，新模型覆盖的语言数量也一口气拓展到了 70 多种。

对于影视、游戏 NPC 制作、有声书或者各种多媒体工具的开发者来说，生成生动语音的门槛一下子被降了一大截。

视频和聊天工具已经悄悄换芯

在这次 API 正式公开之前，ElevenLabs 已经在小范围里找了几家头部应用做测试，而且已经直接上线到了它们的产品中。

比如 HeyGen 已经把 Eleven v3 塞进了自己的数字人视频工作流，用来生成多语言的动态配音。

Quora 旗下的 AI 问答平台 Poe 则是把回答下方的朗读按钮换成了新模型，把文字回答直接念出来给用户听。

主打 AI 视频的 Captions 把它整合进了 Mirage Studio 工具，方便营销人员给虚拟演员配上更有情绪张力的声音；而 InVideo 也在用它支撑 70 多种语言的完整全自动视频生成。

为什么重要

我们认为，ElevenLabs 这次是在把语音生成这件事，从单人朗读推向多人互动的真正拐点。

对开发者和内容创作者来说，最直接的价值在于省去了大量的音频后期剪辑工序。无论是游戏里两三个 NPC 吵架，还是有声书里的多角色对话，现在只要把结构化文本塞给一个 API，就能直接拿到对白自然的成片音频，值得有复杂音频需求的人现在就去试一试。

从行业竞争来看，纯粹比拼单句语音拟真度的时代基本结束了。Eleven v3 逼着其他语音生成玩家把战线拉到多角色长文本、上下文理解和细粒度情绪标签控制上，竞品如果还只能单人单句吐音频，在应用层会很快失去吸引力。

ElevenLabs 的做法很聪明，它没有关起门来自嗨，而是先拉拢 HeyGen、Poe 这些重度音频消费平台背书，一上线就有现成的调用量支撑。不过隐患也同样明显，目前这个版本带上了 alpha 后缀，在面对极其复杂的长对话、快速交替插话时，多人声线的稳定性和情绪标签的精准度究竟能否经受住真实生产环境的考验，还得看接下来第一批开发者的实测反馈。