ElevenLabs 推出 v3 音訊標籤：打標籤就能控制 AI 說話節奏與停頓

同一句「我沒事」，平鋪直敘地念出來，跟深吸一口氣後結結巴巴地說出來，意思天差地別。

AI 語音工具以前最讓人頭疼的，就是這種只懂念字不懂演戲的塑膠感。ElevenLabs 最近為正在測試的 Eleven v3 拿出了一個新解法，叫 Audio Tags 音訊標籤。

簡單來說，它讓你像在劇本里寫舞臺指示一樣，直接把控制語速、停頓和呼吸的標籤插進臺詞裡，指揮 AI 怎麼把一句話說出戲劇感。

把文本變成樂譜

這套音訊標籤覆蓋了人類說話時最微妙的節奏動作。

比如你想控制呼吸和停頓，可以隨手敲進 pause、breathes 或者 continues after a beat。想製造緊張或迫切感，可以用 rushed 或 rapid-fire 加快語速；想要故弄玄虛，就用 slows down 或 deliberate 慢下來。

ElevenLabs 甚至還塞進了很多以前很難靠提示詞調出來的微動作，比如打結巴的 stammers、拉長尾音的 drawn out，以及咽口水的 gulps。

這些標籤還能疊在一起用。比如在一句臺詞開頭連著寫上 hesitant 和 nervous，接著輸入半截話，中間加個咽口水標籤，最後再接一句故作鎮定的話。

ElevenLabs 把這種精細控制形容成給樂譜打拍子，創作者不再只是扔一段文本等模型抽獎，而是能逐幀調整一句臺詞在什麼時候落地。

不過這項功能目前還屬於研究預覽階段，也有個不小的尷尬。ElevenLabs 提示說，目前針對個人定製的專業聲音克隆在 v3 模型上的最佳化還沒做完，生成效果甚至可能不如老版本。

團隊建議現在想體驗標籤功能的創作者，先用即時克隆聲音或者官方預設的聲音來測，專業克隆的適配還要等後續更新。

為什麼重要

我們認為，這是 AI 語音從朗讀工具走向表演工具的關鍵一步。

對播客作者、短影片創作者和有聲書獨立製作人來說，最大的痛點從不是音質不夠真，而是情緒不夠對。過去為了讓一句話聽起來有喜劇效果或者懸疑感，往往得反覆重生成幾十次看運氣，或者拉進剪輯軟體裡手動切開音訊調間距。現在把控制權下放到文本層，不僅大幅省下了試錯成本，也讓一人制作多角色廣播劇變得更現實。

對整個行業而言，這表明語音合成的競爭焦點已經從還原音色轉向了導演能力。單靠堆引數和擬真度已經拉不開差距，誰能讓創作者更精準地干預輸出，誰才能真正吃下專業內容生產的工作流。

不過，這種基於標籤的控制方式看起來聰明，但也給文本輸入帶來了一定的門檻。如果寫一段五分鐘的對白需要手動插入上百個標籤，工作量其實並不輕鬆。接下來就看它能不能和寫作智慧體聯動，讓大模型自動根據故事情境生成帶有精準標籤的指令碼文本，那才是生產力真正爆發的時候。