Eleven v4 與 Eleven v3：改了什麼，對你的配音有何影響

一段話看懂 Eleven v4 與 Eleven v3 的差異#

比較 Eleven v4 與 Eleven v3 時，錄製配音與即時語音代理需要考慮的條件不同。ElevenLabs 於 2026 年 9 月 28 日宣布推出 v4 與 v4 Turbo (在新分頁中開啟)，公告並註明於 10 月 19 日更新：新架構、更廣的語言支援與調整後的聲音控制，都是服務商公布的變更。截至 2026 年 10 月 21 日，兩款 v4 模型都尚未在 OmniArt 上線。你仍可使用 Eleven v3、Eleven Multilingual v2 或 Eleven Turbo v2.5 製作配音。若影片會在發布前經過剪輯，應評估錄製後的表現；若語音代理必須立即回答，則需另外研究串流延遲。

ElevenLabs 表示改了什麼#

下表將 OmniArt 中可選的控制項與 ElevenLabs 對模型整體能力的說法分開列出。OmniArt 資料來自於 2026 年 10 月 21 日核對的語音模型目錄與語言清單。v4 欄彙整註明日期的發布公告 (在新分頁中開啟)；所列能力是服務商說法，並非在 OmniArt 上的實測比較。

語言選單的選項數量是整合層面的細節，無法完整衡量模型品質。先確認你需要的語言，再試聽該語言的人名、日期與段落銜接。同樣地，服務商提供聲音複製功能，不代表創作平台已開放使用。本文不提供 OmniArt 上的聲音複製流程，也不預測 v4 何時上線。

兩個延遲數字該怎麼看#

ElevenLabs 在2026 年 9 月 28 日發布、10 月 19 日更新的公告 (在新分頁中開啟)架構段落中表示，Eleven v4 Turbo 的推論延遲中位數約為 100 毫秒。這項說法未附測量方法，不能把它改稱為從發出請求到聽見語音的時間。

同一來源另行公布，Eleven v4 Turbo 的首段語音時間中位數約為 150 毫秒。註腳 3 將此定義為從發出請求到聽見語音的時間，於 2026 年 9 月使用相同腳本與預設設定測量，v4 Turbo 採用 WebSocket 串流。所有系統的網路延遲都經過測量並扣除。比較對象為 Cartesia Sonic 3.6、xAI TTS、Google Gemini 3.8 Flash-Lite TTS 與 OpenAI GPT-4o mini TTS。這兩個數字都是服務商公布的資料，都不是非 Turbo 版 v4 模型的延遲數值。

這是兩項不同的指標。不要將它們合併成一個範圍，也不要相減後推論服務商未說明的處理階段。中位數也無法告訴你較慢的請求會有什麼表現。

即時語音代理應在受眾實際使用的網路與裝置上測試完整互動。聽眾等待的不只有語音合成：話輪偵測、回應規劃、傳輸與播放都會增加時間。扣除網路時間有助於單獨比較基準表現，卻也更難反映聽眾的總等待時間。

對於預先生成的 YouTube 旁白、廣告或在地化影片，第一個字的延遲通常不會決定成品效果。更應注意演繹、發音、停頓與剪輯是否方便。生成速度可能影響工作效率，卻無法讓表現不佳的配音變得適合最終成片。

偏好率與排名的說法#

ElevenLabs 的發布文章 (在新分頁中開啟)表示，v4 在 2026 年 9 月的 Artificial Analysis Provider Voice Arena 排名第一。這是服務商引用的歷史排名。截至 2026 年 10 月 21 日，本文尚未獨立確認目前的排行榜名次。

文章也提到，服務商在 2026 年 9 月自行進行的盲測中，聽眾偏好率約為 75%。評審針對同一句台詞比較表現力與自然度；平手計為一半。競爭模型包括 Cartesia Sonic 3.6、Inworld TTS-2、Google Gemini 3.8 Flash-Lite TTS 與 Google Gemini 3.8 Flash TTS。這是服務商自行執行的測試，而且比較對象與延遲測試不同。它並不是在 OmniArt 上測得的相對於 v3 的偏好率。

這些說法可用來決定要試聽什麼，不能取代對自己腳本的評估。即使整體朗讀流暢，一個讀錯的產品名稱也可能影響實用性。製作在地化內容時，找熟悉目標語言的人結合情境檢查表現。本文沒有進行 v4 試聽測試，也不提供獨立的品質排名。

現在如何在 OmniArt 製作配音#

截至 2026 年 10 月 21 日，OmniArt 語音模型目錄與計價單位提供下列實用選項。以下上限與費用是 OmniArt 的設定，並非 ElevenLabs API 定價。

同一日期核對的語言清單中，Multilingual v2 提供 29 個語言代碼及自動偵測，Turbo v2.5 則提供 32 個及自動偵測。不要只依腳本長度選擇模型，先在選單中確認目標語言。

依上述 2026 年 10 月 21 日的計價規則，1,000 個字元的腳本使用 v3 需 20 點數，使用 Turbo v2.5 需 10 點數。計費區塊無條件進位：文字超出完整區塊後，就會開始計算下一個付費區塊。這是單次生成的估算；額外版本會另外計費。將實際腳本連同指導標籤貼上音訊模式後，查看畫面上的預估費用。

評估 v3 時，選擇語音功能與模型，固定同一個聲音預設，從需要明顯改變演繹方式的段落開始。試用以下腳本，再移除方括號標籤，重新試聽：

留意興奮情緒是否在預期時刻出現，以及結尾輕聲說話時是否仍然清晰。將中性段落放在帶有指導的段落旁，才能聽出銜接，而不只是孤立的效果。一次只改腳本的一個部分，保留最適合剪輯的版本。

標籤的位置與範例可參考 Eleven v3 音訊標籤指南。完整剪輯流程見 YouTube 影片 AI 配音教學；Free 方案的替代選擇見 MiniMax Speech 指南。若舊教學的上限或費用不同，以本文上方的現行資料為準。