ElevenLabs 推出 v3 音频标签：打标签就能控制 AI 说话节奏与停顿

同一句「我没事」，平铺直叙地念出来，跟深吸一口气后结结巴巴地说出来，意思天差地别。

AI 语音工具以前最让人头疼的，就是这种只懂念字不懂演戏的塑料感。ElevenLabs 最近为正在测试的 Eleven v3 拿出了一个新解法，叫 Audio Tags 音频标签。

简单来说，它让你像在剧本里写舞台指示一样，直接把控制语速、停顿和呼吸的标签插进台词里，指挥 AI 怎么把一句话说出戏剧感。

把文本变成乐谱

这套音频标签覆盖了人类说话时最微妙的节奏动作。

比如你想控制呼吸和停顿，可以随手敲进 pause、breathes 或者 continues after a beat。想制造紧张或迫切感，可以用 rushed 或 rapid-fire 加快语速；想要故弄玄虚，就用 slows down 或 deliberate 慢下来。

ElevenLabs 甚至还塞进了很多以前很难靠提示词调出来的微动作，比如打结巴的 stammers、拉长尾音的 drawn out，以及咽口水的 gulps。

这些标签还能叠在一起用。比如在一句台词开头连着写上 hesitant 和 nervous，接着输入半截话，中间加个咽口水标签，最后再接一句故作镇定的话。

ElevenLabs 把这种精细控制形容成给乐谱打拍子，创作者不再只是扔一段文本等模型抽奖，而是能逐帧调整一句台词在什么时候落地。

不过这项功能目前还属于研究预览阶段，也有个不小的尴尬。ElevenLabs 提示说，目前针对个人定制的专业声音克隆在 v3 模型上的优化还没做完，生成效果甚至可能不如老版本。

团队建议现在想体验标签功能的创作者，先用即时克隆声音或者官方预设的声音来测，专业克隆的适配还要等后续更新。

为什么重要

我们认为，这是 AI 语音从朗读工具走向表演工具的关键一步。

对播客作者、短视频创作者和有声书独立制作人来说，最大的痛点从不是音质不够真，而是情绪不够对。过去为了让一句话听起来有喜剧效果或者悬疑感，往往得反复重生成几十次看运气，或者拉进剪辑软件里手动切开音频调间距。现在把控制权下放到文本层，不仅大幅省下了试错成本，也让一人制作多角色广播剧变得更现实。

对整个行业而言，这表明语音合成的竞争焦点已经从还原音色转向了导演能力。单靠堆参数和拟真度已经拉不开差距，谁能让创作者更精准地干预输出，谁才能真正吃下专业内容生产的工作流。

不过，这种基于标签的控制方式看起来聪明，但也给文本输入带来了一定的门槛。如果写一段五分钟的对白需要手动插入上百个标签，工作量其实并不轻松。接下来就看它能不能和写作智能体联动，让大模型自动根据故事情境生成带有精准标签的脚本文本，那才是生产力真正爆发的时候。