Eleven v3 是什么：支持70多种语言的多人对话语音模型

它是什么

Eleven v3 是 ElevenLabs 的文本转语音模型，2026 年 2 月 2 日结束 Alpha 阶段，进入全面可用，API 里的名字是 eleven_v3。一句话概括：它是一个能用标签“导演”语气、让多个角色轮流说话、覆盖 70 多种语言的语音合成模型。老一代 TTS 像播音员念稿，v3 想做的是让声音会叹气、会压低嗓子、会接话。官方把它放在情绪表现和戏剧化演绎这一侧，不是主打速度的那一档。

关键规格：5000 字符、70 多种语言、音频标签

这是闭源的云端模型，不开放权重，官方也没有公布参数规模和架构，对使用者来说就是一个黑盒接口。它没有“上下文长度”的说法，对应的限制是单次请求 5000 字符，长文本要自己切块再拼接。语言覆盖 70 多种，是上一代 Multilingual v2（29 种）的两倍多。

辨识度很高的是音频标签：在方括号里写 [excited]、[whispers]、[sighs] 这类指令，放在想改变语气的位置。官方说标签是自然语言指令，不是固定枚举，换句话说可以自己发挥，效果靠试听。另一个新东西是 Text to Dialogue 接口：每个发言轮次带一段文本和一个 voice_id，模型把整段对话生成成衔接自然的音频。官方建议单次请求里所有文本合计不超过 2000 字符，更长的场景自己分段。

官方公布的成绩

官方在正式版公告里给了两组自测数据，都是 ElevenLabs 自己测的，不是第三方。一组是用户偏好：测试中用户有 72% 的时间更喜欢新版，而不是 Alpha 版。另一组是数字、符号和专业记法的朗读错误率：内部基准覆盖 8 种语言 27 个类别，整体错误率从 15.3% 降到 4.9%，降幅 68%。分项更直观：化学式从 45.6% 降到 0.6%，电话号码从 16.9% 降到 0.6%，数学表达式从 23.8% 降到 6.9%，地理坐标从 46.2% 降到 17.5%。能看出来，坐标这类文本仍然有不少毛病。暂时没有可引用的独立第三方评测，厂商数字只当参考。

怎么用、多少钱

网页端在模型下拉里选 v3，贴脚本、加标签或对话就能生成；开发者调用 eleven_v3，多人对话走 Text to Dialogue 接口。官方 API 定价页上，Multilingual v2 和 v3 都是每 1000 字符 0.10 美元，折合每百万字符 100 美元；Flash 和 Turbo 是每 1000 字符 0.05 美元，价格正好一半。计费按字符，不按 token。订阅套餐自带一定字符额度，具体看定价页。生成的音频归你，但官方文档写明商用权利只在付费套餐提供。

和上一代、下一代比

和 Multilingual v2 比，v3 语言多、演绎强，但单次上限从 10000 字符降到 5000，官方把 v2 描述为长文最稳的一档。和 Flash v2.5 比，Flash 延迟约 75 毫秒、支持 32 种语言、单次 40000 字符、价格减半，而 v3 的延迟和每字符成本都更高，官方文档也承认这点；Alpha 阶段官方就明说过 v3 不适合实时对话。还有一点要知道：2026 年 9 月 28 日 ElevenLabs 发布了 Eleven v4，官方把它定位为情绪表现更强的新一代，文档写支持 90 多种语言，Text to Dialogue 文档也推荐优先用 v4。所以 v3 现在是上一代旗舰，仍然可以调用。跨厂商同档产品没有可靠的公开对比，这里不排名。

适合谁用

做内容的值得试：有声书、播客、游戏角色对话、视频旁白，需要多角色对白又想少找配音演员的场景，v3 的标签加对话接口正好对口。做产品的要小心：语音助手这类实时场景别直接上 v3，看 Flash 系列或更新的模型。选型的技术负责人别忘了三个坑：单次 5000 字符要切块；数字、坐标、公式类文本上线前自己抽样听；价格是 Flash 的两倍。另外标签写法需要反复试听调整，官方在 Alpha 阶段就提醒过它比旧模型更吃提示词设计。在 AI主线看来，v3 的价值是把“可导演的语音”变成了正式可用的接口，不过它已经不是 ElevenLabs 当下的新模型，选型时记得一并对照 v4。