你是不是也这样：打开 ElevenLabs，粘一段文字，点 Generate，听一耳朵就关了——然后得出结论“AI配音也就那样”。但海外那帮做播客、出海视频、有声书的玩家，用同一家网站干的是完全不同的事：一条视频译配八国语言、一段文字生成带情绪的多人对话、连背景音乐和音效都在同一个账号里解决。今天把这台“朗读机”底下的八个暗格一个个撬开，每一个都有具体入口和操作步骤，多数功能免费档就能玩。
大多数人用的是默认模型 v2，念稿味十足。真正的大杀器是 Eleven v3：在文本里直接插音频标签，等于给配音演员写导演批注。
操作步骤：
1. 在网页端模型选择里切到 Eleven v3（或 API 里把 modelId 设为 eleven_v3）；
2. 在台词任意位置插入方括号标签：[whispers]（耳语）、[laughs]（笑）、[sarcastically]（阴阳怪气）、[curt]（冷淡），甚至全大写写 EXCITED、SHOUTING 来指定整句情绪；
3. 官方文档给的示例长这样：[slowly] Back then... [chuckles] we had no phones. [whispers] Just dirt roads and big dreams.
预期效果：同一句话能演出耳语悬念、爆笑、叹气，动态范围完全不是一个量级。官方自己的对比页写得很直白：v2 只支持停顿类基础标签，v3 支持全谱系情绪、导演指令和音效层。
三个必须知道的坑：其一，v3 目前还是 alpha，官方文档明确建议“多生成几遍挑最好的一版”，它不是每次都稳；其二，官方明确说 v3 不适合做实时语音Agent——实时场景请用 Flash v2.5（约75毫秒级延迟）；其三，v3 支持70多种语言（含中文普通话，v2 只有29种），但音频标签在英文语境下命中率最高，中文配音建议标签+文本混合调试。
适用场景：播客开场、广告旁白、游戏角色、任何需要“演技”的配音。纯念稿的客服播报，用 Flash 更省钱。
这是 v3 独占的能力：Dialogue Mode。把两个角色的台词按说话人写在一起，一次生成——两个声音会共享上下文，能互相接话、甚至打断对方（官方演示里两位说话人你一句我一句互相 cut off，衔接自然到不像拼接）。
操作步骤：
1. 网页端选 v3 模型后，用 说话人: 台词 的格式写好对谈，台词里照样可以插情绪标签；
2. 或者走 API 的 Text to Dialogue 接口（文档明确这是 v3 独有端点）。
预期效果：不用再逐句合成、逐句拼接调音量调语速了——以前做一期双人对谈播客要手工对齐几十个音频片段，现在一次生成，韵律和情绪是连贯的。
适用场景：播客对谈、广播剧、课程里的情景对话、短视频里“甲方乙方”类段子。中文双人对话也能跑，建议先各生成两三版挑选。
这是出海玩家用得最狠的功能：把做好的视频丢进去，自动转写原文、翻译、用原说话人的音色译配，时间轴自动对齐。Starter 档（$6/月）起可用，支持手动改译稿再重新渲染。
关键在计费档位，官方 FAQ 写得明明白白，绝大多数人根本没看过这张表：
| 配音方式 | 积分消耗 |
|---|---|
| 自动配音（带水印） | 2000积分/分钟 |
| 自动配音（无水印） | 3000积分/分钟 |
| Dubbing Studio（带水印） | 5000积分/分钟 |
| Dubbing Studio（无水印） | 10000积分/分钟 |
省钱暗门：审片、选角、内部过稿阶段全用带水印版——自动版直接省三分之一，Studio 版直接省一半。定稿后再渲染无水印版。一条30分钟的视频，内外有别能省下十几万积分。
一条中文视频出海的完整流水线长这样：
flowchart TD
A["中文视频成片"] --> B["Dubbing转写配音"]
B --> C["手动润色译稿"]
C --> D{"渲染版本选择"}
D -->|审片版| E["带水印版渲染"]
D -->|正式版| F["无水印版渲染"]
E --> G["内部审片定稿"]
G --> F
F --> H["多语言轨道分发"]
I["配乐缺口"] --> J["Eleven Music生成BGM"]
J --> H
Free 档每月 10000 积分，按 TTS 每字符1积分算约等于10分钟语音。但很多人不知道免费档能用到的远不止 TTS：
注意分界线：商用授权、Instant Voice Cloning（即时克隆）、Dubbing Studio 都从 Starter 档（$6/月）起。免费档出的音频只能个人试玩。眼下官网还有首月促销：Starter 首月 $1（原价$6，页面标注83% off），Creator 首月 $11（原价$22）——试错成本几乎为零。
这是官方 FAQ 里藏得最深的一条：未用完的积分可以滚存——最多滚2个月，余额上限是月配额的3倍（当月+两个月滚存），前提是你保持付费订阅不降级。降级或取消，滚存部分立刻清零；Free 档不享受滚存。
连着两条策略： 1. 年付=付10个月（官方 FAQ 原话“annual price = monthly price × 10”），Creator 年付折合每月约 $18.33； 2. 用量错峰：大项目开工前，先让积分在账户里攒两个月（攒到3倍上限），再集中烧。另外单独充值的 top-up 积分独立计算，不占滚存上限。
还有个反直觉的规则：积分按“生成次数”扣，不按下载次数扣。如果对结果不满意，只要内容和设置没改，官方允许有限次数的免费再生成——页面上会标注本次再生成是否免费。先听后定，别急着改设置重roll。
官方文档的选型逻辑一句话讲完：表现力选 v3，稳定质量选 Multilingual v2，实时和批量选 Flash v2.5。但有两个鲜为人知的细节：
13800138000 改写成汉字再喂给 TTS——文档推荐的正是这个“让上游模型做正规化”的做法。音质上也有分水岭：44.1kHz PCM 输出和 192kbps 高码率从 Pro 档（$99/月）起才开放，做专业母带处理的工作流要注意。
很多人不知道 ElevenLabs 有自家的语音转文字模型 Scribe v1：支持99种语言，输出词级时间戳，自带说话人分离（谁在哪句开的口），还支持动态音频标注。
操作：网页端 Speech to Text 入口上传音视频即可；API 用户调 speech-to-text 端点，330积分/分钟。
适用场景：给播客出逐字稿、给视频做外挂字幕（词级时间戳直接对齐字幕轴）、双人访谈自动分角色出稿。配合暗格三的译配流程，转写和配音在同一账号内闭环。
打开官网的产品目录你会发现它早已不是“配音网站”：TTS、转写、变声（Voice Changer）、人声降噪（Voice Isolator，各1000积分/分钟）、音乐生成（Eleven Music，900积分/分钟，可为人声/纯音乐，能分段编辑歌词和音轨）、音效、图像、视频、广告引擎（Ads Engine）、语音Agent平台（Voice Agents）——全部共享同一个积分池。
这意味着两件事： 1. 你可以按月把积分在“配音→配乐→音效→转写”之间自由调配，不用为每个环节单独买服务； 2. 创业者别错过 Startup Grants：官方给新产品的免费额度是12个月、3300万字符，文档确认获准者享受 Scale 档（$299/月档位）的并发与队列权益。做语音类产品的团队，这相当于白拿一年生产资料。
| 你以为的 ElevenLabs | 实际上 |
|---|---|
| 一个文字转语音的朗读工具 | 情绪导演系统（v3标签+多人对话） |
| 配音按次烧钱，用完就没了 | 付费积分滚存2个月，上限3倍月配额 |
| 译配只能选一种渲染 | 水印版半价，审片和定稿分开计费 |
| 模型随便选一个就行 | v3管演技、v2管稳定、Flash管实时和省钱 |
| 只是TTS | TTS/转写/音乐/音效/变声/Agent一个积分池全包 |
| 创业接API要烧很多钱 | Startup Grants：12个月3300万字符 |
[whispers] 标签念一段你的产品介绍，感受和默认模型的差距；本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。