ElevenLabs 推出了全新一代文本转语音模型 Eleven v3（Alpha 版），这是目前表现力最强的 TTS 模型之一，支持 70 多种语言、多个角色间的自然对话，以及通过 [sad]、[whispers]、[laughs] 等音频标签精准控制语音情绪与非语言表达。
与旧版本相比，v3 拥有更强的文本理解能力，可以模拟真实对话中的中断、情感变化与语气调整。这使得它非常适合用于视频创作、有声书制作和媒体工具开发。
特点：
- 支持 70+ 语言
- 支持 多角色对话
支持音频标签（如 [sad]、[laughs]、[whispers] 等）来控制情绪和表现力
v3 是研究预览版，需要更高水平的提示工程，但生成效果非常出色
- 新架构对文本理解更深，可实现更具表现力的语音
- 可模拟现实对话中的情感、打断、语气变化
- 即将开放 API 接口，支持创作者和开发者
🌟 V3主要升级亮点一览
✅ 1. 情绪+指令+音效 → 更拟真
v3 支持全新「音频标签（audio tags）」，开发者或创作者可以控制语音的：
- 情绪（愤怒、高兴、紧张、冷静等）
- 强调与语调走向
- 暂停、语速、音效混合（如“笑声”、“尖叫”）
🌈 例子：
你可以生成一段内容，从「小声嘟囔」过渡到「歇斯底里大笑」，再加入背景音效，让听者沉浸其中。
✅ 2. 多角色、交叉打断对话能力
- 支持 两个及以上角色进行自然互动；
- 支持同步语境和情绪匹配；
- 对话中可设置打断、抢话、幽默过场等；
- 模拟真实人类对话场景，比以往任何版本更流畅自然。
✅ 3. 语言覆盖：70+ 语言支持
相较于 v2 的 29 种语言，v3 现支持超过 70 种语言，覆盖：
- 所有主流语言（英文、中文、法语、西班牙语、阿拉伯语等）
- 地区小语种（僧伽罗语、吉尔吉斯语、乌尔都语等）
🎯 用途： 非英文播客、全球配音、本地化音频内容生成。
✅ 4. 文本到对话（Text to Dialogue）新模式
这是 v3 中最强大的能力之一：
- 通过普通文本，自动将不同角色、语气、音色编织成「对话音频」；
- 不需要逐句标记角色或语气，系统会自动判断；
- 生成的对话极具表现力与连贯性，适用于音频剧、游戏对白、广告创作等。
v2 与 v3 对比
支持哪些标签？
- 情绪类：[ANGRY], [LAUGHS], [WHISPERS]
- 动作类：[SHOUTING], [SIGHING]
- 音效类：[EVIL LAUGH], [GIGGLE]
详细标签参考：Prompting Guide 🔗