ElevenLabs v4

ElevenLabs 预告的第四代 AI 语音模型，主打能低语、能吟唱、带情绪与口音的人类级表达

语音合成自然人声文本转语音

https://elevenlabs.io/

前往官网

深度报告

ElevenLabs v4 是这家伦敦与华沙背景的 AI 音频公司预告的第四代语音合成模型，目前处于「公开预览、尚未正式发布」的状态。它在 2026 年的 ElevenSummit（华沙）上由创始人 Mati Staniszewski 首次演示，主打更自然的人类级表达——能低语、能吟唱、能带情绪和口音地说出任意文本。需要明确的是，截至 2026 年 7 月，v4 仍未开放公测，真正在线上跑的旗舰模型还是 2025 年 6 月发布的 Eleven v3。因此本报告把 v4 当作「已官宣预览的下一代方向」来写，平台现状与定价则以当前可使用的版本为准。
ElevenLabs 由 Mati Staniszewski 与 Piotr Dąbkowski 于 2022 年创立，技术根脉在波兰，总部设在伦敦，是欧洲最具代表性的生成式音频独角兽之一。公司起步于「让 AI 语音不再像机器」这一判断，认为通信层才是 AI 落地的瓶颈，而非单纯的「智能」本身。几年间它从单一文本转语音工具，长成了覆盖语音生成、配音、音乐、语音克隆、实时转写与语音智能体的全栈音频平台，客户名单里既有迪士尼、Epic Games（堡垒之夜的达斯·维达语音）、Duolingo，也有德意志电信、英伟达 ACE、希腊政府旅游助手这类大型企业级部署。
v4 目前公开的信息来自华沙那场 keynote 的样片演示。Staniszewski 当场强调「这个模型还没发布，这是独家展示」，听众听到的是一段关于华沙的双人对话——声音能切换口音、能低语、能带情绪，甚至能吟唱。官方表述里，v4 要解决的不是「更清楚的朗读」，而是「更像人在交流」：可控的情绪、明确的意图、自然的重音与停顿。同一场活动还预览了代号 D2 的新配音系统，它不再只依据文本生成语音，而是读取原片的情绪与表演，把这种「神韵」跨语言迁移过去，直击传统 AI 配音「表情平板」的老毛病。对比已经在用的 Eleven v3，v3 在 2026 年 3 月 14 日全面开放，核心卖点是 Audio Tags——直接在脚本里写 [whispers]、[excited]、[sighs] 这样的行内指令，模型就会在短语级别调整演绎，无需反复重录；它还支持多说话人 Dialogue Mode、70 多种语言，单次请求上限约 3000 字符。再往下的 Multilingual v2 主打稳定一致，Flash 主打 75 毫秒极低延迟，Turbo 主打高性价比，构成了一套按「质量 / 延迟 / 成本」分工的模型矩阵。 v4 若如期落地，大概率是在 v3 的表达力之上，把「自然度」和「可控情感」再推一档。
ElevenLabs 的定价对同一套积分池开放，文本转语音按字符计费（高质量模型约 1 字符 = 1 积分，1 分钟音频约 1000 字符）。当前公开档位为：免费版每月 1 万积分；Starter 6 美元 / 月，3 万积分；Creator 22 美元 / 月（首月 11 美元），12.1 万积分并解锁专业语音克隆；Pro 99 美元 / 月，60 万积分、API 可输出 44.1kHz PCM；Scale 299 美元 / 月，180 万积分、3 个工作席位；Business 990 美元 / 月，600 万积分、10 席位；企业版另议。音乐、音效、变声、配音等其它产品线从同一积分池按不同倍率扣费，例如音乐约 900 积分 / 分钟、配音约 2000–10000 积分 / 分钟。面向初创团队还有 12 个月免费、3300 万字符的资助计划。v4 的具体计费尚未公布，第三方追踪站推测约 0.30 美元 / 千字符，但属于未经证实的传闻。
对现有 v3 的声音普遍是正面的。长篇有声书、游戏配音、影视本地化的从业者认可它的表现力跃升，尤其是 Audio Tags 让单人就能调度多角色情绪，省掉传统配音导演的环节。盲测偏好上，v3 相对早期 v3 Alpha 提升了 72%。负面声音集中在两点：一是贵，按百万字符约 100 美元的价格，在批量生产场景明显贵过一众竞品；二是长文本要切分多次请求，自动化工作流略繁琐，低流量语种的质量仍不稳定。关于 v4，用户目前还停留在「期待」阶段，社区更关心它能否真正压缩机械感、以及定价会不会继续走高。
在 Artificial Analysis 的语音竞技场（2026 年 6 月）里，Eleven v3 的 Elo 约 1178，稳居商业 TTS 第一梯队，但已被阿里 Fun-Realtime-TTS（约 1219）、Google Gemini 3.1 Flash TTS（约 1214）、Inworld、Cartesia Sonic 3.5 等在原始自然度上反超，而单价却远高于它们。行业共识是：ElevenLabs 胜在「生态完整 + 表达力 + 企业级合规」，但「单位成本」正成为它的软肋。竞品方面，OpenAI TTS-1、MiniMax Speech、Cartesia、Inworld、Suno（音乐向）都在抢同一块蛋糕。
声音克隆天然踩在深水区。ElevenLabs 内置了内容审核、问责与水印溯源机制，反复强调「AI 生成的音频应当可被识别」，但克隆技术被滥用于 deepfake、诈骗与冒名的风险始终存在。商业层面，训练数据的版权与授权是绕不开的话题——公司强调音乐模型基于授权数据训练、可用于商用，但语音侧的采集来源仍不时引发讨论。对普通用户而言，真正的风险更朴素：积分贵、重跑计费、企业版条款不透明，以及 v4 这类重磅更新「官宣预览早、正式可用晚」带来的预期落差。
如果你是做有声书、播客、游戏角色配音或影视本地化的内容创作者，当前直接用 v3 配合 Audio Tags 就是最务实的选择，表达力已经够用。如果你是搭建客服、销售、旅游导览这类语音智能体的企业，该看的是 ElevenAgents 与 Dubbing v2，而不是等 v4。预算敏感、量大管饱的批量场景，建议把 ElevenLabs 和 MiniMax、Cartesia、阿里系 TTS 做一轮横向盲测再决定。至于 v4，建议把它当作「下一代方向的风向标」关注，等正式公测、拿到实测样片和定价后再下注，避免在预览阶段就为未交付的能力付费。
ElevenLabs v4 的方向是对的——语音交互要从「能说」走向「像人」，但它现在还只是华沙舞台上的一段预览样片。真正决定你今天要不要用的，是已经成熟的 v3 生态与那张不便宜的积分账单。

用户评论

Isabella.Howard_2020

—

重跑也计费这点吐槽一下，生成错了重来还扣积分，批量出片时心在滴血。

RebeccaLee

—

希腊政府旅游助手那个 demo 挺实在的，能识图推荐行程还能看日历，比纯聊天机器人有用多了。

JosephRamirez_7

—

v4 若能控情绪和意图，游戏过场动画的旁白就能一次成型，不用再后期一段段调语气了。

TIram

—

竞技场里 v3 已经被阿里和 Gemini 反超了，但生态是真的全，从 TTS 到配音到智能体一把梭，小团队懒得接七八家 API。

SatoshiFanBennett

—

开发者资助计划真香，12 个月免费 3300 万字符，我们初创直接白嫖把智能体跑通了。

BobbyMorrisX48

—

v4 能吟唱这点我很期待，现在做游戏 NPC 哼个小调还得另接音乐模型，要是语音模型直接能带旋律就省事了。

BLkra

—

整体方向我看好，语音要从「能说」走向「像人」，ElevenLabs 这步棋下得对，就看定价别飘。

陈萱

—

Flash 的 75 毫秒延迟做实时对话基本够用了，v4 如果还能压一压，客服场景体验会再上一个台阶。

RichardRuiz_Plus

—

等不及 v4 了，现在先用 v3 的 Audio Tags 做有声书，单人就能调度几个角色的情绪，省了请配音导演的钱。

MadisonPatelIII

—

价格再不降，真的要被 MiniMax 和阿里系抢光了。我们公司一个月光配音就烧掉几百刀，老板已经在看替代方案。

Mary_ButlerSr

—

又是「预览」又是「独家展示」，正式公测怕是要等到年底，建议大家别为没交付的能力提前付费。

DrMar'yanZaporozhec

—

盲测里 v3 比早期 Alpha 提升 72%，说明他们打磨得狠，v4 正式版应该也不会让人失望。

Patrick.EdwardsII

—

Music 模型基于授权数据这点很重要，商用不踩版权雷，比某些来路不明的音乐生成靠谱。

Bryan.RobertsSr

—

在华沙那场演示里听到 v4 的样片时，鸡皮疙瘩起来了。那种带气声的低语和自然的停顿，确实是 v3 还差一口气的感觉。

goldensnake135

—

配音按分钟扣积分太肉疼了，千字配音动辄上万积分，大项目还是得咬牙上 Business 档。

枫叶_13

—

说真的，ElevenLabs 的克隆水印和溯源做得比大部分家都认真，这点我愿意多付点钱，至少不怕哪天被牵连进 deepfake 新闻。

Andrea.Ramos

—

关注 v4 很久了，建议把它当风向标看，真要投产还是先用成熟的 v3 生态，别赌预览阶段。

Charles.Smith_2020

—

D2 配音那个跨语言保留情绪的思路对，传统 AI 配音确实像念稿机器，希望 v4 时代能真正解决「表情平板」。

RRuizZ170

—

能不能先把长文本单次上限从 3000 字符提上去？自动化流水线天天切分请求，烦死了。

Anthony_CoxJr

—

英伟达 ACE 那次合作展示的多语言营销内容生成挺惊艳，声音自然度确实行业第一梯队。

Madison.Vasquez007949

—

用了两年 ElevenLabs 做播客，整体很稳，就是企业版条款不透明，想加席位和并发谈得头疼。

Gary32

—

低流量语种质量还是参差，泰语和越南语偶尔会冒奇怪的重音，正式项目我们还是切回英文再本地化。

ElevenLabs v4

深度报告

用户评论

相关链接

同类产品