ElevenLabs 釋出 Eleven v3 Alpha：支援情感控制標籤與 70 多種語言

過去做 AI 配音，最讓人頭疼的不是發音不準，而是語氣太像沒有感情的播報員。一旦劇本里需要一聲嘆氣或者輕蔑的冷笑，創作者往往只能自己錄音，或者在剪輯軟體裡反覆拼貼素材。

ElevenLabs 正式推出了新一代語音合成模型 Eleven v3 的 Alpha 測試版本。這一版的核心變化，就是讓 AI 真正看懂臺詞的情緒，並允許使用者直接在文本里手動「導演」聲音的情感走向。

像導演給演員講戲一樣寫臺詞

以往的語音合成大多隻認字面意思，很難處理上下文中的語氣起伏。Eleven v3 增強了上下文感知能力，能夠根據句子的含義與標點符號自動調整語速和停頓。

更直觀的變化在於引入了音訊標籤機制。創作者現在可以在文字指令碼中直接插入類似於方括號標記的提示詞，比如加入輕聲細語或溫暖笑聲的指示，模型讀到這些標籤時就會做出相應的語氣切換與嘆氣聲。

在規格方面，Eleven v3 Alpha 支援超過 70 種語言。在介面呼叫上，單次請求上限支援到 5000 個字元，足夠容納較長篇幅的劇情獨白或雙人對話劇本。

從獨立遊戲到有聲書製作

除了情緒控制，ElevenLabs 的整體生態也為多場景應用提供了支撐。平臺庫中擁有超過 1.75 萬種聲音，創作者可以按年齡、口音和應用場景挑選合適的音色，也可以通過聲音克隆技術快速建立定製化音庫。

在生成後的工程對接上，系統支援網頁端和移動端操作，並開放了對應的 API 介面。生成的音訊既可以通過 MP3 快速預覽，也可以匯出為適合後期母帶處理的無損格式。

對於需要多語言本地化的內容團隊來說，同一個角色音色可以直接切到其他語言演繹，省去了跨國尋找母語配音演員的繁瑣溝通。

為什麼重要

對內容創作者和獨立遊戲開發者來說，這相當於把配音門檻又往下砍了一大截。以往做一段帶哭腔或者耳語的敘事音訊，AI 聲音很容易露餡，而 Eleven v3 允許創作者用極低的成本通過文本指令精細微調語氣，小團隊也能做出接近商業級表現力的角色音訊。

對整個語音生成行業而言，競爭焦點已經徹底從「咬字清不清晰」轉移到了「表演力與可控性」。當競爭對手還在最佳化自然度時，ElevenLabs 選擇把控制權用最直觀的文本標籤交給創作者，這一步走得相當務實，避開了複雜的引數滑塊，學習成本很低。

不過，目前的 v3 仍處於 Alpha 階段，標籤的響應精度和語氣過渡在長篇多角色場景下是否會出現偏差，依然需要在實際生產中驗證。對於嚴肅的內容團隊，我們認為可以先拿分支劇情或非核心 NPC 臺詞來測試，觀察其在複雜語境下的穩定性。