10秒錄音複製你的聲音，ElevenLabs v4能說90種語言

ElevenLabs 推出 Eleven v4，這款文字轉語音模型能把文字唸出來，並按照作者的要求加入笑聲、嘆息，或帶著怒意的法國口音。它的即時聲音複製功能只需要一段比語音留言還短的錄音，複製出的聲音之後能說數十種語言，同時保留原有的音色。任何人只要有 ElevenLabs 免費帳戶，就能使用這項功能。

對以聲音創作的人來說，這能省下好幾天的工夫。Podcast 主持人可以用自己的聲音將一集節目配音成日文；獨立遊戲開發者不用預約錄音室，就能讓每個配角都擁有鮮明不同的說話方式；有聲書旁白配音員則可以直接在稿子裡標註停頓或輕笑。另一方面，風險也同樣具體：一則語音訊息、一段視訊通話錄音，或幾秒鐘的公開貼文音訊，現在都足以成為素材，複製出足以亂真的某個人聲音。

這次最大的改變在於操控性，而複製聲音本身只需要 10 秒音訊。ElevenLabs 先前的模型能流暢地朗讀文字，卻得自行推測情緒。第 4 版可以讀取以方括號直接寫在文字中的舞台指示，例如 [laughs] 或 [said angrily in French accent]，甚至也能處理 [light rain] 或 [phone buzzing] 這類背景提示。公司表示，模型也會從前後文判斷語氣和節奏，因此緊張場景中的台詞即使沒有標註，也會以緊張的語氣呈現。多位說話者同場的場景中，每個聲音也能在較長篇幅裡保持一致；這正是合成旁白過去的弱點，聲音往往會在一章內容唸到一半時逐漸走樣。

支援語言從上一版的 70 種增加到 90 多種。根據 TechCrunch 報導，ElevenLabs 特別指出，日文、巴西葡萄牙文、華語和粵語的品質進步最顯著。複製出的聲音即使切換語言，也能保留原本的聲音特徵；因此，西班牙語使用者的複製聲音即使改用德語朗讀，聽起來仍像本人，而且帶有地道的德國口音。另一款模型 v4 Turbo 則是為語音助理和客服中心專員打造，約 150 毫秒便會開始說話，差不多就是兩人在對話中輪流發言之間的停頓時間；它甚至能在背後的聊天機器人還沒寫完回答前，就先開口說話。

這個市場並非只有 ElevenLabs 一家。Google、OpenAI、Cartesia、Deepgram 和 Fish Audio 都向同一批開發者販售合成語音。產品推出後幾小時內，獨立評測機構 Artificial Analysis 就將 v4 排在語音排行榜首位；排行榜由聽眾並排聆聽匿名樣本後評分。ElevenLabs 也表示，在與競爭對手進行的盲測比較中，約四分之三的聽眾偏好 v4；不過，這個數字來自該公司自行進行的測試。

疑慮首先來自那個「10 秒」的數字。ElevenLabs 表示，複製聲音必須取得上傳者所複製之聲音本人的同意；公司也運行公開分類器，能標記出使用其工具製作的音訊，並全面禁止複製部分政治人物的聲音。這些檢查能防範一時起意的濫用，但仍仰賴上傳者說實話；詐騙者只需要取得親友一小段聲音樣本，就能假扮對方打電話，謊稱遇上緊急狀況。免費方案的額度也不多：根據 Unite.AI 對各方案的整理，每月約可生成 10 分鐘音訊；付費方案則從每月 6 美元起。

Eleven v4 和 v4 Turbo 於 9 月 28 日在 ElevenLabs 的創作者應用程式、代理平台及開發者 API 上線。這家總部位於倫敦的公司在 2 月獲 Sequoia 投資 5 億美元，當時估值達 110 億美元；TechCrunch 報導，其年化營收已突破 6 億美元。執行長馬蒂·斯坦尼斯澤夫斯基（Mati Staniszewski）告訴 TechCrunch，公司目標是在未來幾年上市，但尚未承諾具體日期。

對創作者來說，能在 90 種語言中依指示發笑的聲音，就像把錄音室放進瀏覽器分頁裡。對其他人而言，這又多了一個理由：當電話那頭傳來熟悉的聲音開口要錢時，先掛斷，再回撥確認。

標籤: Pelé, Raphael, Baker Mayfield, ElevenLabs, AI語音, Eleven v4