ElevenLabs 上線 Eleven v3 alpha：支援多人對話與音訊標籤情緒控制

以前想用 AI 配音做一段像樣的廣播劇或遊戲過場，過程通常很折磨。你得把每個角色的臺詞一段段單獨生成，再拖進剪輯軟體裡對軌，稍微想加點爭吵、插話或者語氣突變，聽起來就像兩個互不相識的機器人在按順序讀稿。

ElevenLabs 宣佈把新一代模型 Eleven v3 的 alpha 測試版正式放進了 API 介面。這次更新的核心不是單純把嗓音做得更逼真，而是讓 AI 學會像真人一樣搭話。

不只一個人念稿，而是直接拉群聊

新版本最核心的變化是加入了對話模式。在這個模式下，呼叫方不再受說話人數量的限制，想在一段音訊裡塞進多少個不同的聲音都可以。

更關鍵的是互動細節。Eleven v3 能夠根據上下文理解自然的插話和打斷，還能在對話推進時切換語調和情緒線索，不再需要開發者人工去掐氣口和時間軸。

如果需要精確控制角色狀態，開發者現在可以通過專門的音訊標籤來調整發音和情緒強度。另外，新模型覆蓋的語言數量也一口氣拓展到了 70 多種。

對於影視、遊戲 NPC 製作、有聲書或者各種多媒體工具的開發者來說，生成生動語音的門檻一下子被降了一大截。

影片和聊天工具已經悄悄換芯

在這次 API 正式公開之前，ElevenLabs 已經在小範圍裡找了幾家頭部應用做測試，而且已經直接上線到了它們的產品中。

比如 HeyGen 已經把 Eleven v3 塞進了自己的數字人影片工作流，用來生成多語言的動態配音。

Quora 旗下的 AI 問答平臺 Poe 則是把回答下方的朗讀按鈕換成了新模型，把文字回答直接念出來給使用者聽。

主打 AI 影片的 Captions 把它整合進了 Mirage Studio 工具，方便營銷人員給虛擬演員配上更有情緒張力的聲音；而 InVideo 也在用它支撐 70 多種語言的完整全自動影片生成。

為什麼重要

我們認為，ElevenLabs 這次是在把語音生成這件事，從單人朗讀推向多人互動的真正拐點。

對開發者和內容創作者來說，最直接的價值在於省去了大量的音訊後期剪輯工序。無論是遊戲裡兩三個 NPC 吵架，還是有聲書裡的多角色對話，現在只要把結構化文本塞給一個 API，就能直接拿到對白自然的成片音訊，值得有複雜音訊需求的人現在就去試一試。

從行業競爭來看，純粹比拼單句語音擬真度的時代基本結束了。Eleven v3 逼著其他語音生成玩家把戰線拉到多角色長文本、上下文理解和細粒度情緒標籤控制上，競品如果還只能單人單句吐音訊，在應用層會很快失去吸引力。

ElevenLabs 的做法很聰明，它沒有關起門來自嗨，而是先拉攏 HeyGen、Poe 這些重度音訊消費平臺背書，一上線就有現成的呼叫量支撐。不過隱患也同樣明顯，目前這個版本帶上了 alpha 字尾，在面對極其複雜的長對話、快速交替插話時，多人聲線的穩定性和情緒標籤的精準度究竟能否經受住真實生產環境的考驗，還得看接下來第一批開發者的實測反饋。