ElevenLabs Dialogue V3

什么是 ElevenLabs Dialogue V3

ElevenLabs Dialogue V3 是 Kling AI Video 上的多说话人 AI 语音生成功能，底层由 ElevenLabs 的 Eleven v3 模型驱动。不同于只用一个声音朗读连续文本的标准文字转语音，Dialogue V3 为对话而设计：它接受包含多个说话人的结构化脚本，为每个说话人分配不同声音，并输出一段完整音频，让每个声音在节奏、情绪和发言关系上听起来更自然。

在 Kling AI Video 上，该功能提供 113 种精选预设声音，覆盖 75 种语言。音频标签是用于情绪、表达方式、非语言声音、口音和节奏的内联标记，可以让你逐行控制声音表现。音频输出可以直接连接到 AI Avatar：写脚本、生成对话音频，再将音频与肖像图片配对，在同一平台上创建口型同步视频。

---

ElevenLabs Dialogue V3 如何工作

1. 编写对话脚本 — 将内容组织成多行，每行分配给一个说话人。每一行代表一次对话轮次。在 5,000 字符总限制内，说话人数量和行数没有限制。

2. 分配声音并指导表达 — 为每个说话人选择 113 种预设声音之一。生成前可以试听。你可以在脚本中插入音频标签，例如 [excited]、[whispering]、[laughs softly]，对特定时刻进行表达指导，而不影响脚本其他部分。

3. 设置稳定性并生成 — 选择 Creative、Natural 或 Robust 稳定性。Natural（默认）适合大多数制作场景。生成后，输出是一个包含所有说话人、切换和节奏的单一音频文件，可以单独使用，也可以送入 AI Avatar。

---

音频标签 — 情绪和表达控制

音频标签是 ElevenLabs Dialogue V3 区别于普通朗读工具的关键。它们以方括号形式插入脚本，告诉模型某个词、短语或台词应该如何表达，而不会影响生成中的其他内容。

支持六类音频标签：

• 情绪 — [happy]、[sad]、[angry]、[nervous]，设置被标记文本的情绪状态
• 表达方式 — [whispering]、[shouting]、[slow]，控制声音的发声方式
• 非语言声音 — [laughs]、[sighs]、[gasps]，加入自然的非语音声音
• 音效 — [applause]、[door slamming]、[thunder]，在对话中加入环境或反应性声音
• 口音 — [French accent]、[British accent]，只对特定台词切换地域口音
• 节奏 — [slowly]、[quickly]、[dramatic pause]，塑造该行的语速和停顿

标签可以叠加在同一短语上：[excited][quickly] We got the contract! 会让这一句更快、更兴奋。下一句如果没有标签，就会回到默认表达。正是这种逐行精度，让 Dialogue V3 适合需要声音表演的内容，例如从权威语气切换到温暖语气的品牌代言人，或从自信转为犹豫的角色。

---

多说话人对话

在 Dialogue V3 的一次生成中，说话人数量没有限制。每个说话人都可以独立分配声音、稳定性和音频标签设置。系统会处理说话人切换、自然停顿、对话能量和节奏，让两个或更多声音听起来像真实交流，而不是轮流朗读。

双主持对话 — 适合播客式内容、产品讲解对话和教育问答。每个主持人有独立声音类型，对话模式会保持交流流畅和平衡，无需手动调整时间轴。

角色对白 — 适合叙事内容、故事和多角色场景。多个角色可以在同一音频文件中拥有不同声音、情绪范围和表达方式。结合音频标签，可以让每个角色在完整脚本中保持一致表演。

---

113 种声音，75 种语言

Kling AI Video 为 ElevenLabs Dialogue V3 提供 113 种精选预设声音，覆盖制作中常用的声音类型：代言人和品牌声音、教育旁白、角色对白、对话主持人和情绪表达型声音。每个预设声音在生成前都可以在声音选择器中试听。

支持 75 种语言，包括 Auto detect。同一脚本结构和音频标签配置可以用于所有支持语言。多语言内容流程很直接：先写脚本，再用每个目标语言生成音频，然后将每个语言版本与同一张肖像图片搭配到 AI Avatar 中。角色视觉身份保持一致，变化的是声音和语言。

对于面向多市场制作内容的团队，例如同一品牌代言人发布英语、西班牙语和日语版本，声音、语言和直接接入 AI Avatar 的工作流可以减少逐个语言重新录音的制作成本。

---

从脚本到 AI Avatar — 完整流程

在 Kling AI Video 上，ElevenLabs Dialogue V3 最实用的流程是直接连接 AI Avatar。先生成对话音频，再将音频送入 Avatar 工作流并搭配肖像图片。

在独立工具流程中，你通常需要在 TTS 服务上生成音频，下载文件，再上传到数字人工具中生成视频。每一步都是工具之间的手动交接。

在 Kling AI Video 上，完整路径留在同一平台：

1. 在 Text-to-Speech 中写对话，分配声音、添加音频标签、设置稳定性
2. 生成音频
3. 打开 AI Avatar，上传肖像图片，并使用生成的音频
4. 生成口型同步视频

角色会按你写下的脚本、选择的声音和设置的表达方向说话。同一张肖像图片可以搭配不同音频文件，例如不同语言、不同脚本和不同语气，从一个角色图片生成一组一致的数字人视频。

如需了解 AI Avatar 的角色类型、模型档位和肖像要求，可查看 Kling AI Avatar 指南。

---

你可以用 ElevenLabs Dialogue V3 创建什么

AI Avatar 口播视频 — 这是本平台上的主要整合流程。写脚本，用 Dialogue V3 生成声音，再将音频送入 AI Avatar。角色会按你指定的表达方式说出脚本，并能在不同制作中保持一致。

播客和多主持音频内容 — 两个或更多声音自然对话。对话模式处理说话人轮次、节奏和情绪互动。你可以从脚本生成访谈片段、双主持讨论或音频剧场景，无需录音棚或排期。

多语言内容本地化 — 用多个语言生成同一脚本，无需重新录音或重新选角。相同音频标签结构可以跨语言使用，让角色表达在语言变化时仍保持一致。结合 AI Avatar 可以制作完整本地化视频内容。

教育和课程旁白 — 讲师声音朗读课程内容，并通过情绪变化保持注意力。音频标签可以在关键位置加入强调和自然停顿。

产品介绍和演示配音 — 用一致品牌声音讲解产品流程。可搭配 Kling 3.0 视频生成 制作周围场景或 b-roll，两个工具都在 Kling AI Video 上可用。

有声书和故事内容 — 一次生成中包含多个角色声音、情绪范围和戏剧节奏。每个角色有独立声音画像，音频标签按台词指导表演。

---

Eleven v3 vs Eleven v2 — 有什么变化

从 v2 到 v3 的核心变化是表现力和结构。v3 面向脚本对话和定向表演，音频标签、对话模式和更广语言支持都服务于这个目标。对于更看重稳定、可预测表达的长篇单说话人旁白，v2 仍然适合。在 Kling AI Video 上，Text-to-Speech 通过 Text to Dialogue API 使用 Eleven v3 作为生产级模型。

---

技术规格

---

生成前需要知道什么

5,000 字符限制按所有对话行合计计算。 一个 10 行、双说话人的对话，如果每行 80 字符，总共就是 800 字符，远低于限制。完整播客片段或多章节脚本需要拆分成多个生成片段，再在后期中拼接。

音频标签效果会因声音而异。 有些预设声音对情绪标签反应更明显。建议先用声音预览建立基准，再用音频标签测试，最后再生成正式制作内容。

Natural 稳定性适合大多数场景。 Creative 会带来更强表达变化，但在长脚本中也会增加不确定性，更适合戏剧或角色内容。Robust 会让所有台词语气更统一，适合品牌或教学内容。

围绕 AI Avatar 的 15 秒限制规划脚本片段。 如果对话音频要进入 AI Avatar，请让每个生成片段保持在 15 秒以内。自然脚本断点，例如话题切换和章节切换，也是控制 Avatar 片段语气和节奏的实用位置。

多语言生成使用相同标签结构。 音频标签类别适用于全部 75 种支持语言。西班牙语脚本中的 [excited] 标签与英语脚本中含义相同。这让多语言内容管线可以复用相同脚本结构和表达方向。

---

谁适合使用 ElevenLabs Dialogue V3

生成你的第一段对话 →