Eleven v3 是什么：ElevenLabs 会“表演”的语音模型

它是什么

Eleven v3 是 ElevenLabs 的新一代文本转语音（TTS）模型，API 型号是 eleven_v3，支持 70 多种语言，以情感表现和多人对话为特色。它先以 Alpha 版本推出，2026 年 2 月 2 日结束测试，在所有平台正式开放。和以往偏“播音腔”的 TTS 不同，v3 主打表演：可以用音频标签控制语气和情绪，比如耳语、大笑、叹气，还能生成多个角色自然交替的多轮对话。

正式版改进了什么

从 Alpha 到正式版，官方说主要有两项改进。一是整体质量：测试中用户在 72% 的情况下更喜欢新版本。二是数字、符号和专业记号的处理。TTS 模型要先理解文本，再决定怎么读，而同一个符号在不同语境下意思不同：冒号可能是比分、时间，也可能是画面比例；还有化学式、货币、坐标这类内容，读错很常见。官方用覆盖 8 种语言、27 个类别的内部基准测试，错误率从 15.3% 降到 4.9%，减少了 68%，改进最大的正是那些需要靠上下文判断读法的类别。

怎么用

它在 ElevenLabs 的网页产品和 API 里都能用。用法上，在文本里插入方括号形式的音频标签来控制情绪和表演方式；做多人对话时，给不同角色分配不同声音，模型会处理好轮次衔接和语气呼应。v3 的表现力强，但相应地生成延迟比主打实时的 Turbo、Flash 系列高，更适合有声书、视频配音、游戏角色这类非实时场景。需要低延迟对话的，官方的实时模型更合适。另外，ElevenLabs 后来又发布了更强调情绪表现的 Eleven v4。

适合谁

做有声书、播客、短视频配音、游戏和动画角色配音的创作者，是 v3 最直接的用户；多语言内容出海的团队，70 多种语言的覆盖也很实用。涉及金融、科学内容的朗读，正式版对数字和符号的改进尤其有价值。使用声音克隆时要取得声音所有者的授权。AI 主线的看法是：TTS 的竞争点已经从“像不像人”转向“会不会演”，而把数字和符号读对这种看似琐碎的改进，往往才是决定能不能放心用的关键。