ElevenLabs 接入 Claude 3.7 Sonnet：給語音 Agent 裝上推理大腦

如果把逼真的語音合成比作人的嗓子，那驅動它的底層大模型就是大腦。嗓子再動聽，一旦大腦答非所問或者開始胡說八道，電話那頭的使用者立刻就會出戲。

做 AI 語音的 ElevenLabs 顯然很清楚這一點。3 月 4 日，ElevenLabs 宣佈在其 Conversational AI 平臺中正式接入 Anthropic 的新旗艦模型 Claude 3.7 Sonnet。開發者現在建立語音智慧體時，可以直接把大腦換成這個以混合推理見長的新模型。

讓兩臺 AI 當場辯論

Claude 3.7 Sonnet 的核心招牌是混合推理能力。遇到簡單日常對話，它能憑直覺秒回；遇到複雜問題，又能展開逐步分析。這種特性帶到語音互動裡，最直接的改善是指令遵循更穩、幻覺明顯變少，而且長輪次對話不容易把前面的上下文忘光。

為了展示效果，ElevenLabs 甚至搞了一場兩臺 AI 之間的現場辯論。一臺由 Claude 3.7 Sonnet 驅動，另一臺則掛載 GPT-4o。ElevenLabs 表示，在實際交鋒中，Claude 憑藉更嚴謹的事實準確度和邏輯推理佔了上風。

在配置上，開發者使用起來沒什麼門檻。只要在 ElevenLabs 控制台新建 Agent，在模型下拉式清單裡勾選 Claude 3.7 Sonnet，再挑一個現成音色或者上傳自己的聲音克隆，微調系統提示詞後就能上線。

語音 Agent 的大腦軍備競賽

這次更新也把 ElevenLabs 的模型貨架補齊了。在此之前，他們已經把 DeepSeek R1 接了進來。現在他們的平臺裡排著一套分工明確的陣容。

想要超低延遲和工具呼叫，可以選 Gemini Flash 2.0 或 1.5；想要兼顧多模態和通用表現，可以選 GPT-4o；想要深入思考、減少胡說，選 Claude 3.7 Sonnet。如果你有自己微調的私有模型，只要相容 OpenAI API，也能直接接進來。

ElevenLabs 把這套能力主要推向四類場景：給學生講複雜知識的虛擬導師、處理複雜糾紛的長流程客服、需要嚴謹事實的內容助手，以及能擺出多方視角的倫理辯論機器人。

為什麼重要

語音互動過去最大的痛點是延遲與智商不可兼得。反應快的小模型經常聽不懂人話，邏輯強的大模型又因為思考太久，導致語音對話裡出現尷尬的沉默。我們認為，Claude 3.7 Sonnet 這種按需深思的混合模式，給即時語音提供了一個非常聰明的折中方案。

對於做 AI 客服或虛擬導師的團隊來說，現在很值得去測一測效果。門檻沒有變高，但你換來的可能是更少的客戶投訴和更靠譜的多輪問答，尤其是在退換貨政策、醫療或金融答疑這類容錯率極低的領域。

從行業來看，ElevenLabs 的打法非常務實。它不去賭哪家大模型最終勝出，而是把自己做成最頂層的語音中樞，誰強就接誰。這既給開發者留足了選擇權，也讓純做語音底層的競爭對手感到了壓力：光聲音逼真已經不夠了，誰能把最聰明的大腦調教得像真人在打電話，誰才能拿下下一代人機互動的入口。