Eleven v3 Audio Tags：让 AI 音频具备情境感知

Audio Tags 是全新 Eleven v3（alpha）文本转语音模型的重要组成部分。可灵活控制语句的表达方式——调整语气、情感和语速，贴合真实场景。

Audio Tags 本质上是用方括号标注的词，模型会将其理解为表演提示。这样可以在一句话中随时调整表达，反映情感变化或情境转变，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？

播放

播放

情境感知指的是 AI 能根据场景调整表达方式。通过 Audio Tags，不仅能控制模型说什么，还能决定它如何回应。

无论用 [SHOUTING] 增加紧迫感，用 [WHISPER] 柔化警告，还是用 [SIGH] 表现犹豫，标签都能让旁白变成表演。尤其适用于高情境或动态场景。

不仅仅是朗读，更是表演

比如你在为 Veo 3 制作一场 11 United 对阵 12 United 的足球集锦视频脚本，希望随着比赛推进气氛逐渐升温：“他晃过一名后卫——[EXCITED] 传中来了——[SHOUTING] 进球！”

或者为有声书配音紧张时刻：“[WHISPERING] 我觉得屋里有人。[PAUSE] 别出声。”

这些不是简单的风格修饰，而是决定场景氛围的关键。模型不再只是朗读，而是真正表演。

常用情境标签

Audio Tags 可模拟多种情感和动作提示：

• 情感语气： [EXCITED]、[NERVOUS]、[FRUSTRATED]、[TIRED]
• 反应： [GASP]、[SIGH]、[LAUGHS]、[GULPS]
• 音量与能量： [WHISPERING]、[SHOUTING]、[QUIETLY]、[LOUDLY]
• 语速与节奏： [PAUSES]、[STAMMERS]、[RUSHED]

标签可叠加，表现更细腻：“[NERVOUSLY] 我……我不确定这样行不行。[GULPS] 但还是试试吧。”

可控的表演

Eleven v3 通过更强的上下文模型支持这些标签。可在一句话中切换语气、处理打断、保持流畅，让表达更自然，无需反复修改脚本。

对声音设计师、游戏开发者和叙事创作者来说，这带来了全新创作空间。不只是写台词，更是在导演表演。

选择合适的音色

目前专业语音克隆（PVC）尚未完全适配 Eleven v3，克隆质量可能低于早期模型。在当前研究预览阶段，如需使用 v3 功能，建议选择即时语音克隆（IVC）或设计音色。PVC 对 v3 的优化即将上线。