ElevenLabs Eleven v4：会读「剧本」的语音模型，90 语种克隆与情感标注

语音合成的下一步不是「更像人」，而是「会演戏」。ElevenLabs 发布的 Eleven v4 用全新架构把这句话做成了产品形态：模型按剧本朗读——它知道谁在说话、刚才发生了什么、这句该怎么落地。文本里直接标注说话人与情绪（[warm]、[whispered]、[long pause]、[crowd applause]），一段多说话人对话一次生成。官方演示是一档智力竞赛节目：主持人、两位选手各有声线，停顿、观众掌声、锣声全部由标注驱动。

核心定位与用途

• 剧本式生成：说话人切换、情绪词、停顿、音效事件（掌声、锣声、铃声）都写成文本标注，模型按标注演绎。
• 90 语种克隆：WhatsApp 笔记称「任何声音状态都能克隆」，官方口径为 90+ 语种的即时克隆与专业克隆。
• v4 Turbo 低延迟档：需要实时对话流的场景用 Turbo 版换延迟。
• AI 画布：语音、音效、音乐在同一画布上编排，配音到成片一条线。
• 全流程接入：视频、有声书、播客管线均有官方集成。

适用场景

做有声书、播客、广告与短视频的内容团队；需要多说话人对话一气呵成的场景尤其受益。游戏 NPC、交互语音也是 v4 剧本模式的天然用户。

上手与局限

官网免费档即可试 v4（输出 MP3 44.1kHz 起），订阅按字符量计费。局限要如实说：闭源 SaaS，声音克隆须获声音所有者授权；情绪标注对「演」的幅度是提示而非保证，长剧本仍需人工调标；中文语种支持以官方 90 语种列表实测为准。

一句话总结

v4 把 TTS 从「念稿器」推到了「配音演员」——同一篇文本，标注谁在说、怎么演，成片级的对话一段出。本站写过的开源侧对照是 VoxCPM2（清华 2B 模型，本地 GPU 部署）：要数据私有和成本上限选开源，要开箱即用的演表能力和 90 语种克隆选 v4。相关开源侧条目见 VoxCPM2 与 VoxWeft。