ElevenLabs 真是全球最强声音克隆？模型、价格和坑一次说清

2026-11-06silcano

一句话结论：在「像人一样有情绪地说话」这件事上，ElevenLabs 目前确实是第一梯队的天花板；但「最强」要分场景——实时对话不是它，中文不是它，便宜更不是它。

如果你只想快速判断要不要试：注册免费，一个月 1 万积分约等于 10 分钟音频，不花钱就能听出差距。真正会让你掏钱（或者骂人）的，是后面那套积分账和合规审核。

一、这家公司什么来头

ElevenLabs 2022 年成立，创始人 Mati Staniszewski（CEO，此前在 Palantir 做过政企技术落地）和 Piotr Dąbkowski（CTO）。总部在伦敦，2026 年已经是音频 AI 里估值最高的独立公司之一。

几个能说明分量的数字：

客户名单里能看到 Meta、Epic Games、Salesforce、Deutsche Telekom、Revolut、Duolingo、NVIDIA、TIME。2026 年 9 月还和环球音乐（UMG）签了授权合作。

这说明一件事：它不是那种「demo 惊艳、工程拉胯」的实验室项目。你踩的坑大概率不是「跑不起来」，而是「账单比预期高」和「某些语言不够好」。

二、现在的模型矩阵：别再用 v2 的教程了

2026 年 9 月 28 日，ElevenLabs 发布了 Eleven v4 和 Eleven v4 Turbo，基于全新架构。v3 退居上一代，Multilingual v2 还在当「长文稳定器」，Flash v2.5 继续负责实时。

v4 相比 v3 的实际变化，挑重点：

1. 情绪标签更听话。[laughs]、[whispers]、[sighs]、[said angrily in French accent]、[phone buzzing] 这类内联标签可以直接写在稿子里，而且能叠加、能管住整段。它不是「调滑块调出来的情绪」，而是「你写导演提示，它照着演」。
2. 多说话人对话变自然了。新的 Text to Dialogue 接口能生成两个人对话，会接话、会打断，不像把两条单独音频缝起来。做播客、广播剧、游戏对话，这是质变。
3. 克隆更像本人。即时克隆（IVC）的最短素材从「几十秒到一分钟」降到10 秒；专业克隆（PVC）在 v3 上其实没调好，v4 才是「完整支持」。官方的说法是减少了「平滑化」——以前的克隆听起来像「文明版的你」，v4 会保留你的气口、停顿、口头禅。
4. 语言从 70+ 扩到 90+，官方点名提升最明显的是日语、普通话、巴西葡语。
5. 一个副作用要注意：v4 默认「跨语言换口音」。用韩语录的克隆去读英文，会输出地道英文口音，而不是韩式英语。做品牌声音出海的人，这一条可能刚好是你要的，也可能是灾难，先测。
6. 倒退的地方：v4 不支持 SSML，也没有 style / speed 滑块，只有 stability 和 similarity 两个旋钮。以前靠 SSML 精细控音的老工作流，迁移时会疼。

API 调用就是指定 model_id，比如 eleven_v4；多说话人用 create dialogue / stream dialogue。

三、声音克隆两条路：Instant 还是 Professional

这是最多人搞混的地方，也是决定你花 6 美元还是 22 美元的地方。

两个细节值得记：

• IVC 会继承环境噪音。素材里有什么，克隆里就有什么。别在卧室用笔记本麦克风录完就怪模型。
• PVC 的验证是硬门槛。你想克隆别人的声音，过不了这一步。官方给的补救是走人工验证，但那是给「本人操作但设备有问题」的情况，不是给「我想克隆我老板」的。

行业里有个流传的说法是「ElevenLabs 审核很严，很多用途受限」。准确讲：严的是 PVC 的身份验证和滥用追责，不是创作自由。克隆自己、或者拿到书面授权的聲音，正常商用没问题。

四、评测怎么说：第一名是真的，但不是所有榜

我把能找到的独立评测拉了一遍，结论分歧挺有意思。

说它第一的：

• Artificial Analysis 2026 年 9 月的 Provider Voice Arena 快照里，Eleven v4 Turbo 排第一，Elo 1332±19，1689 票。这是目前比较被认可的第三方语音竞技场。
• 官方自己的盲测：对 Cartesia Sonic 3.6、Inworld TTS-2、Google Gemini 3.8 Flash / Flash-Lite TTS，约 75% 的听众选它。注意这是厂商自己跑的，只能当参考。
• Litmus Tools 给了 89/100，评价是「我们测过最像真人的 AI 配音」，v3 就能「把情绪撑住一整段」。
• 中文横评（aibotgo，2026）给它的音色克隆 9.5/10、情感表达 9.5/10，评语是「四款里唯一能做到逐句情绪控制」。

说它不行的：

• 同一个中文横评里，它的中文只有 8.5/10，明确指出「发第三声时偶尔有外国人学中文的调感」。中文最强的给了 Fish Audio（9.5）和火山引擎（10）。
• 实时榜是另一回事。2026 年 5 月前后，Artificial Analysis 的 Realtime TTS Arena 头名是 Inworld Realtime TTS-2（Elo 约 1208），v3 根本不在实时第一梯队。v4 Turbo 出来后局面变了，但「实时」和「通用质量」从来是两个榜。
• HuggingFace 的 TTS Arena 上，2025 年 12 月 ElevenLabs 曾被广州数果科技的 Vocu V3 超过。社区盲听榜更看「像不像」，不太看「会不会演」。

所以「全球最强」这句话怎么修正才准确：

表现力和工程完整度：第一。实时延迟：第一梯队但不是唯一。中文自然度：第二梯队。单位成本：不便宜。

如果你的项目是英文有声书、品牌广告、游戏角色、需要「演技」的旁白——它值得溢价。如果你做的是中文口播、实时客服、大批量短视频——先算账，再看别家。

五、Token / 积分政策：这是最容易翻车的地方

ElevenLabs 不按「token」计费，它用积分（credits），而且所有产品共用一个池子。

换算基准

• 标准 TTS：1 个字符 = 1 积分，约 1,000 积分 ≈ 1 分钟音频。
• Flash / Turbo 系列走 API 时约 0.5～1 积分/字符。
• v4 目前没有单独的积分费率，和标准模型一样按 1 积分/字符走（Free 套餐也能用 v4）。

各产品的消耗（同一个池子，用这儿就少了那儿）

这张表里最坑的是配音。你以为 3 万积分能配 30 分钟，实际上一分钟视频配音能吃掉 3,000～10,000，十分钟的片子就能把 Starter 整月额度清空。

结转规则（很多人不知道）

• 每月账单日重置。
• 未用完的积分可以结转，最多两个月，账户余额上限是月额度的 3 倍。
• 降级或取消订阅，未用积分当场作废。想降级？先把额度用掉。
• Free 套餐不结转。
• 按量付费的加油包单独计算，不受这个上限限制。

免费额度的真实限制

「免费版能不能商用」这个问题，答案是明确的不能。判断标准很简单：这音频有没有帮你赚到钱（广告分成、客户付费、卖课、上架 App）？有，就得付费。商用授权从 Starter $6/月起。

套餐与价格（2026 年 11 月官网口径）

年付 = 付 10 个月用 12 个月，等于省两个月。

API 每千字符价（第三方整理，官方 API 定价页为准）：v4 约 $0.08 / 1k 字符，v4 Turbo 约 $0.04 / 1k 字符。换算下来 v4 大约 $0.08/分钟，Turbo 约 $0.04/分钟——比订阅套餐的单价低不少，量大的人直接走 API 更划算。

一个必须知道的成本真相

官方标价是「1,000 积分 1 分钟」，但实际花掉的是标称的 1.5～2.8 倍。原因：

• 不满意要重生成。网页端同一段文本、同一音色、同一模型，2 小时内最多 2 次免费重生成；超出就扣。
• API 调用不管成不成功、你满不满意，都扣积分。写脚本批量跑的人，这一条会让预算表失控。
• 长文本要分段生成，段与段之间还要挑版本。

所以做预算时，把官方额度除以 2 再规划，比较安全。

六、注册与上手：5 步，别走错门

官方入口只有一个：

• 官网 / 注册：https://elevenlabs.io （登录后是 elevenlabs.io/app）
• 定价：https://elevenlabs.io/pricing
• API 定价：https://elevenlabs.io/pricing/api
• 模型文档：https://elevenlabs.io/docs/models

⚠️ 认准 elevenlabs.io。搜索时很容易蹦出 elevenlabse.cn 这类仿站，只能网页试音，不同步账号和积分，还可能乱收费。充值前先看域名。

上手路径：

1. 注册。邮箱即可，不用信用卡。建议用相对固定的海外网络环境，别让 IP 频繁跳变——风控会盯。
2. 先听，不先生成。Voices 页面试听现成音色，确认你要的是「播音腔」还是「 conversational 」，这一步不花积分。
3. 跑一条短样本。写 1～2 句你自己的真实文案（别用「你好，欢迎使用」这种），生成、下载、戴耳机听。重点听：数字、专有名词、句尾语调。
4. 克隆自己。Starter 起可做 IVC，用 1 分钟干净音频（安静房间、固定麦克风距离、正常语速）。十个好秒胜过三十个烂秒。
5. 再上 API。网页端确认音色和参数，再拿 API Key 批量跑。先设一个每日额度上限，别第一次就全量。

国内用户的两道坎（必须提前说清楚）：

• 访问：官方服务在中国大陆无法直连，注册和 API 调用都需要合规的跨境网络方案。请按当地法律法规和企业合规要求处理，不要用来源不明的代理服务。
• 支付：官方只收信用卡、Apple Pay、Google Pay（UPI 仅印度），没有支付宝、微信、PayPal。官方明确写了预付卡不是受支持的支付方式，用预付卡被拒的风险自负。国内卡被拒的三个常见原因：卡不支持境外美元扣款、余额不够含税金额（尤其是首月折扣结束那个月）、同一张卡短时间反复提交。
• 账单地址要和发卡行记录一致，只提交一次，别连点。

七、合规红线：这些别碰

ElevenLabs 在产品里内置了同意机制，这不是摆设：

• IVC：每次上传素材都要勾选「我有权克隆这个声音」。
• PVC：必须本人录 10 秒验证语句，系统比对声纹，5 次不过要走人工审核。
• 水印：每段生成音频都嵌入 SynthID（和 Google DeepMind 合作），官方还提供 AI Speech Classifier 做检测。想「洗掉」水印去做冒充，技术上和法务上都别想。
• 违规后果：未经同意克隆他人声音、用于欺骗或骚扰，账号可被永久封禁。

法律层面，2026 年的环境比两年前紧得多：

• 欧盟 AI Act（2025 年生效）把声音克隆列为「有限风险」，广告和可能误导的内容必须披露是合成语音。
• GDPR 下声音属于生物识别数据，要有合法基础、最小化、明确留存期限。
• 多数司法辖区里，声音是受保护的人格属性，未经许可使用可能承担民事责任；部分国家已把「声音冒充」纳入身份盗用刑事条款。

实操准则就一条：只克隆自己的声音，或者拿到书面授权的声音。授权要写清用途、平台、地域、期限，以及能不能撤回。

八、谁该用，谁别用

值得付费：

• 英文有声书 / 播客 / 纪录片旁白，要「演技」不要「朗读」。
• 游戏、动画的角色配音，需要多角色对话和情绪切换。
• 品牌出海，一个声音覆盖 90 多种语言，还要保持音色一致。
• 做语音智能体，需要 v4 Turbo 的 ~100ms 延迟 + 情感表现。
• 有开发者，要把 TTS 塞进产品里，看重 API/SDK 成熟度和合规认证（SOC 2、ISO 27001、GDPR、HIPAA、FedRAMP）。

先别急：

• 纯中文口播。中文不是它的强项，第三声的调感问题真实存在，先拿自己的稿子测，别信 demo。
• 超低延迟强需求。v4 明确不能实时，实时要么 v4 Turbo 要么 Flash v2.5，再不行去看 Inworld 这类实时优先的。
• 大批量、极低成本。它的单价在同类里不算低，量大走 API 或者看开源方案。
• 不想折腾网络和外币卡。这不是产品问题，是「你根本用不上」的问题。

九、链接汇总

官方

• 官网 / 注册：https://elevenlabs.io
• 定价：https://elevenlabs.io/pricing
• API 定价：https://elevenlabs.io/pricing/api
• 模型文档：https://elevenlabs.io/docs/models
• Eleven v4 发布（中文）：https://elevenlabs.io/zh/blog/eleven-v4
• IVC vs PVC 官方对比：https://elevenlabs.io/blog/instant-vs-professional-voice-cloning
• 克隆完整指南：https://www.elevenlabs.io/blog/voice-cloning-deep-dive
• D 轮融资公告：https://elevenlabs.io/blog/series-d
• 安全与合规：https://elevenlabs.io/safety

第三方评测 / 榜单

• Artificial Analysis 语音竞技场：https://artificialanalysis.ai/text-to-speech
• Litmus Tools 评测（89/100）：https://litmustools.com/review/elevenlabs
• AIToolTier 评测（含 v4 时间线）：https://aitooltier.com/tools/elevenlabs
• 中文四款横评（ElevenLabs / Fish Audio / 火山 / OpenAI）：https://aibotgo.net/blog/ai-voice-cloning-guide-2026

最后

ElevenLabs 的护城河不是「音质好」，是它把「表演」这件事做成了可编程的。你在稿子里写 [sighs]，它真的会叹一口气，而且叹在该叹的地方。这个能力目前没有第二家能稳定复现。

但它的定价模型是「按字数卖演技」，你写得越多、改得越多，账单越厚。所以别被「全球最强」这四个字推着走——先用免费的 10 分钟，拿你自己的稿子、你自己的声音，测一遍。 耳朵比榜单诚实。

数据整理于 2026 年 11 月 6 日。价格、积分政策和模型版本以 elevenlabs.io 官方页面为准，官方调整较频繁；第三方评测数据已标注来源，厂商自测数据仅作参考。