Eleven v3 Audio Tags：让 AI 音频具备情境感知

Audio Tags 是新版 Eleven v3（alpha）文本转语音模型的核心功能。它能让你控制台词的呈现方式——通过调整语气、情绪和节奏，贴合真实场景。

最简单来说，Audio Tags 就是方括号中的词。模型会将其理解为表演提示。因此，你可以在句中调整表达，以体现情绪变化或场景转换——让 AI 具备一定的情境感知能力。

AI 语音中的情境感知是什么？

情境感知意味着 AI 会根据当下场景调整表达方式。借助 Audio Tags，你不仅能控制模型说什么，还能控制它如何回应。

无论是用 [SHOUTING] 标签增强紧迫感，用 [WHISPER] 柔化警告语气，还是用 [SIGH] 表示犹豫，标签都能将叙述转化为表演。在高情境或动态场景中尤其有用。

不只是朗读，而是表演

想象一下，你正在为 11 United 对阵 12 United 的足球比赛编写 Veo 3 精彩集锦视频脚本。你希望紧张感随比赛推进而升级：“他晃过一名后卫——[EXCITED] 传中来了——[SHOUTING] 进——球——了！”

或者，你正在为一段悬疑 有声书片段配音：“[WHISPERING] 我觉得屋里有人。[PAUSE] 别出声。”

这不是简单的风格点缀。它们定义了场景，并塑造感受。模型不是在朗读，而是在表演。

常用情境标签

Audio Tags 可模拟多种情绪和肢体反应：

• 情绪语气： [EXCITED]、[NERVOUS]、[FRUSTRATED]、[TIRED]
• 反应： [GASP]、[SIGH]、[LAUGHS]、[GULPS]
• 音量与能量： [WHISPERING]、[SHOUTING]、[QUIETLY]、[LOUDLY]
• 节奏与韵律： [PAUSES]、[STAMMERS]、[RUSHED]

可以叠加标签，增添细腻变化：“[NERVOUSLY] 我……我不确定这能不能行。[GULPS] 但还是试试吧。”

可精准引导的表演

Eleven v3 通过更深入的上下文模型支持这些标签。它能在一句话中切换语气、处理打断并保持流畅，让表达更自然，无需重写脚本。

对于 声音设计师、游戏开发者和故事创作者而言，这开启了新的创作维度。你不只是在写台词，也是在指导表演。

选择合适的声音

专业语音克隆（PVC）目前尚未针对 Eleven v3 完全优化，与早期模型相比，克隆质量可能较低。在这一研究预览阶段，如果需要使用 v3 功能，建议为项目选择即时 语音克隆（IVC）或设计的音色。针对 v3 的 PVC 优化即将推出。