Eleven v4 的音频标签与十秒克隆：你的流水线会有什么变化

对于ElevenLabs Eleven v4而言，最重大的事情不是它的 Elo。而是该模型能读取写进脚本里的指示——[笑声]、[低语]、[叹息]、[愤怒地用法语口音说]，甚至[小雨]——并且ElevenLabs Eleven v4 Turbo，这款同日发布的低延迟同门模型，也会遵循相同的标签，供应商称其首次发声时间中位数约为 150 毫秒。两者均于 2026 年 9 月 28 日全面可用。Artificial Analysis 的 Provider Voice Arena 已让 Eleven v4 在 1,674 次出场中以 1,319 的 Elo 排名第 1，榜单价格为每百万字符 80.00 美元。排名是头条新闻。指示语法和十秒克隆才是改变你必须构建什么的部分。

两款模型，一次发布，各司其职

ElevenLabs 于 2026 年 9 月 28 日发布了两个端点，它们并不是同一款产品加个速度开关。ElevenLabs Eleven v4 是富有表现力的模型：支持 90 多种语言，每次请求上限为 10,000 个字符，改进了对国际音标的支持以实现自定义发音，并支持多说话人对话，该公司称其能在整个场景中保持说话人身份一致。ElevenLabs Eleven v4 Turbo 保留了 90 多种语言和 10,000 字符的上限，但针对智能体进行了调优——公告中引用的中位推理延迟约为 100 毫秒，中位首字语音时间约为 150 毫秒，由 ElevenLabs 于 2026 年 9 月测得。

那个随之而来的问题——旗舰模型对手机端 agent 来说是否够快——并没有公开的答案。ElevenLabs 给出的是 Turbo 的延迟数据，而不是 Eleven v4 本身的；这两者是各自独立的端点，而不是同一个模型的两个名字。如果你的 agent 要求 200 毫秒内返回首个音频，那么文档中标明的端点就是 Turbo，而不是旗舰模型。

标签是真正的接口，也是真正的依赖。

内联音频标签对语音合成来说并不新鲜，但这里真正有用的变化是遵循的准确性。公告指出，Eleven v4 比之前的模型更精确地遵循音频标签和自然语言指示提示词，而这正是你无需事后编辑音频，就能指示笑声、耳语或特定口音的表达方式。

由此会产生三个实际后果，它们比演示短片更重要：

• 你的脚本会变成一种模板化产物，而不是一个字符串。标签是你内容流水线中的一个令牌：如果曾经传入不受信任的文本，它就需要转义；而且它还必须能在你的 CMS、翻译层和 diff 审查中存活下来。一个漏掉[低语]的译者，已经悄无声息地改变了一场演出。

• 标签遵循度是一项附带版本信息的供应商声明。关于这一代比上一代更好地遵循标签的说法，是 ElevenLabs 自己的说法，并由 ElevenLabs 自行测试，而且它不会在所有语言中都同样成立。在你据此制定风格指南之前，请用你自己的脚本和你自己的语言环境进行验证。

• 音效标签，例如[light rain]或[phone buzzing]，把音频后期制作的一部分工作转移到了文本提示词中。这是一次值得衡量的成本转移：如果一个标签替代了一次拟音（foley）录制，那它就很划算；如果它什么都替代不了，只是增加了变数，那它就是你的 QA 中出现的一种新的失效模式。

十秒，是改变新用户引导的数字

本版本中的即时语音克隆仅凭十秒音频即可高保真地复刻一个声音，其上仍提供专业克隆档位。十秒短到足以压缩掉一个工作流环节：授权采集、样本上传与首次合成都可在同一时段内完成，用一部手机，无需录音棚。

同意问题并不会随样本变小而缩小。它反而会变大，因为制作出足以乱真的克隆声音的门槛，已经降低到任何人都能录制的一段音频。如果你克隆的是并不属于你的声音，那么合规问题现在完全要由你在 API 调用之前来回答——模型会照你的要求去做。把十秒这个数字当作一个操作阈值，而不是一张许可凭证。

窗口打开时费用是多少

ElevenLabs 在发布时重新定价，如今页面上显示的就是促销价。在 API 定价表上，Eleven v4 的标价为 每 1,000 个字符 $0.022，而标示的原价为 $0.08；Eleven v4 Turbo 为 $0.011，原价 $0.04。两者都带有相同的标签：10 月 12 日前享 72% 折扣。同一页面上，上一代旗舰产品 Eleven v3 的定价为每 1,000 个字符 $0.08。

• 竞技场榜单价格，每百万字符 — Eleven v4 $80.00，为该榜单前十名中最高。

• 供应商费率表，每千字符——10月12日前为$0.022，之后为$0.08。

• 这在实践中意味着——在活动窗口期内，一个脚本密集、包含五百万字符的月份费用为{{1}}110美元{{/1}}，而窗口期结束后则为{{2}}400美元{{/2}}，且使用的是同一端点、同一代码。

任何按照今天页面上这个数字来编制 Q1 预算的人，都是在拿一个两周后就会失效的数字做预算。用 $0.08。

在这样的发布会上，路由器凭什么占有一席之地

OrcaRouter 并不托管 ElevenLabs，因此这次发布中没有任何东西可以通过我们来调用，我们也不会暗示并非如此——要调用 Eleven v4，该去的地方是 ElevenLabs 自己的 API。在一款产品发布后的两周里，单个密钥真正有用的地方其实是对比。如果你正在判断新的旗舰模型是否胜过你目前所用的，你会想在自己的脚本上对两者做 A/B 测试，而不是在排行榜上比，而跨两家供应商做这件事，意味着在你得到答案之前，得先有两个账号、两套结算关系和两条集成路径。

这正是我们所处理的情况：一个 API 密钥即可横跨200 多个模型，供应商目录价格以0% 加价透传，因此供应商方面的价格变动——包括带到期日的促销窗口——当天就会在我们这边生效，而不必等到下一个账单周期。在语音链路面向客户的场景中，自动故障转移会在某个端点性能下降时将流量切换到健康的上游，这样一来，你就能试用全新的模型，而无需把一次发布押注在它身上。

先测试什么，以及忽略什么

三项检查比任何排名都更能说明问题。第一，把你最长的真实脚本跑到 10,000 字符上限，看看接缝落在哪里——上限是按请求计的，而多说话人对话是最可能被它拆分的功能。第二，把你自己的五个带标签句子分别放进 v4 和 v4 Turbo，听听表达型端点和低延迟端点之间的遵循度漂移；它们是不同的模型，在一个模型上生效的标签，在另一个上未必以完全相同的方式生效。第三，按 $0.08 而不是 $0.022 来给你的实际月度字符量计价，因为你的下个季度就是靠这个数字运转的。

公告中约75%的盲测偏好数据是厂商自测结果，我们不会把它洗成其他任何东西。本次发布中的独立数据是榜单上的那个：在1,674次出场中排名第一，Elo为1,319，以及围绕它的约±19分区间。那是在真实榜单上的强劲结果。它不是规格，也不会告诉你你的标签语法能否挺过一次翻译流程。