ElevenLabs 推出影像與影片生成工具：整合 Sora 和 Kling，打通全流程

過去做一條 AI 生成的短影片，創作者幾乎得像個數字搬運工：先在影像工具裡跑圖，再把圖丟進影片模型生成動態鏡頭，接著開啟 ElevenLabs 配音，最後匯入剪輯軟體對口型、鋪背景音效。

ElevenLabs 正式釋出 ElevenLabs Image & Video（Beta 版）。這家以 AI 語音聞名的公司，把業界主流的影像和影片大模型全接進了自己的平臺，讓創作者在一個工作流裡搞定從生圖、生成影片到終剪匯出的全過程。

熱門模型全打包，連口型也包辦

這次更新最亮眼的地方，是 ElevenLabs 幾乎把市面上叫得出名字的頂尖視覺模型都聚齊了。

在靜態影像方面，平臺接入了 Nanobanana、Flux Kontext、GPT Image 和 Seedream。創作者可以用這些模型生成分鏡故事板、影片縮圖，或者作為影片生成的首幀參考。

在影片生成上，平臺整合了 Veo、Sora、Kling、Wan 以及 Seedance。你可以在同一個介面裡呼叫不同模型生成鏡頭片段，還能直接對低解析度素材進行放大增強，並把多個片段拼接成連貫的故事。

更關鍵的是口型同步功能。生成好影片後，系統能直接呼叫 ElevenLabs 的語音庫，把角色的嘴型和旁白臺詞精準對齊，省去了來回對幀的麻煩。

在單條時間線上完成終剪

所有畫面搞定之後，創作者可以直接把素材推送到內建的 Studio 工具裡進行精細調整。

說白了，你不用再把影片檔案匯出到第三方剪輯軟體裡折騰配音了。

在 Studio 中，創作者既能挑官方庫裡的擬真聲音，也能直接用自己克隆好的聲線錄製旁白。同時，平臺支援生成定製背景音樂和疊加各類音效。

整套配音、音效和畫面的對齊，都在同一條時間線上完成，調整好時序後，就能直接匯出可交付的成品影片。

為什麼重要

對創作者、廣告營銷人員和自媒體團隊來說，這套工具最大的價值就是省時間。以往跨平臺切換不僅要面對各種導包格式，還要為每個模型單獨買訂閱。現在只要一個入口，就能呼叫主流視覺模型，並直接借用 ElevenLabs 頂級的音訊能力把片子做完，對經常要做旁白影片的內容團隊來說，現在就值得去上手試試。

我們認為，ElevenLabs 這一步走得相當聰明。它沒有頭鐵去自己燒錢自研底層影片大模型，而是退後一步當聚合者和包裝者。大家在底層卷演算法、拼生成長度，它把 Veo、Sora、Kling 和 Wan 都拉過來當勞力，自己則守住最擅長的語音、口型同步和工作流中樞。

這也給其他 AI 影片平臺敲了警鐘。現在的競爭已經從單純比拼誰的畫面更逼真，轉向了誰能提供完整的端到端交付能力。畫面做得再好，如果配不上自然的聲音和精準的口型，離商業成片就永遠差一口氣。

不過看起來潛在的隱患也不少。多模型聚合意味著呼叫成本和定價設計會更復雜，而且不同底座模型拼出來的鏡頭風格是否統一，依然考驗創作者的調優功底。但無論如何，音畫一體的創作門檻，確實被它又往下砸了一大截。