ElevenLabs 语音模型：Turbo v4、对话 v3、Flash v2.5 和多语种 v2

/agents → 你的智能体 → 语音流水线 → 合成语音音色。当选中的音色是 ElevenLabs 音色时，它的那一行会带一个 模型： 控件，共四个选项。音色本身 不变。模型决定的是这个音色被怎么演绎：听起来多有活力、多快开口、能说哪些 语言，以及每个字要花多少钱。

这个控件只出现在搭配 ElevenLabs 音色的 Standard (STT + LLM + TTS) 流水线上。 实时流水线自带音色，其他文字转语音提供商则没有模型可选。

四个模型

「首音」指的是从智能体的文字准备好，到它的声音发出第一个音之间的时间。我们 是在走真实电话路径的实测通话上量的：每通通话都用同一个智能体、音色、话术和 语言模型，换的只有语音模型。每通通话有两轮英文、两轮中文。

• Turbo v4 每一轮都最快。21 轮回复里，它落在 0.09 到 0.12 s 之间。
• Flash v2.5 排第二，0.11–0.13 s。
• 对话 v3 排最后，0.16–0.20 s。
• 这个顺序在英文和中文之间从没变过。这些模型没有一个在某种语言里开口比在 另一种语言里慢。

多语种 v2 是另一个量级。在正式通话里它开口要花约半秒，在直接测试里超过一秒。 这个差距长到耳朵能听出来。

这个选择对速度的影响，和影响不到的地方

语音模型只占回复时长的一小部分。在上面的通话里，一整轮回复——从来电者停下 到智能体发出第一个声音——大多花 1.3–1.7 s，其中语音模型占 0.1–0.2 s。如果你的 智能体感觉慢，在 Turbo v4、Flash v2.5 和对话 v3 之间换，挪动的时间不到十分之 一秒。

例外是多语种 v2。它会在每个回答前加一段明显的停顿，所以别把它用在实时 接电话的智能体上，除非对你来说声音比等待更重要。

中文回复确实比英文回复慢，但原因不在语音。是语言模型开始作答慢了一点。停顿 检测器也更容易判定中文来电者还没说完。换语音模型补不上这个差距。

选哪个

保持 Turbo v4，除非你听出了要换的理由。 它开口最快，会的语言最多，也最有 表现力。什么都不选，得到的就是 Turbo v4。

如果 Turbo v4 听着用力过猛，试试 Flash v2.5。 有表现力是双刃剑。在我们的 通话里，Turbo v4 听起来像一个人在很卖力，Flash v2.5 则像一个稳当、不容易出大 错的选择。对一个整天念订单号和营业时间的智能体来说，平实可能正是你要的。

想要介于两者之间的，试试对话 v3。 它听起来自然，比 Turbo v4 稍微沉稳。它 也是三个快模型里开口最慢的，差距不到十分之一秒。

把多语种 v2 留给音质必须最好的智能体。 它是四个里音频最饱满的，每个字的 价格翻倍，还让每个来电者为一个回答多等一会儿。它是为旁白造的，不是为对话。

选之前先试听，再打一通

在所选音色的下方，试听这个音色： 会用每个模型播放同一个音色：一段简短的 问候，用这个音色自己的语言。决定之前，四个都放一遍。差别在语气里，听出来比 读出来快。

然后用一部真正的电话拨打那个号码。电话线传过去的声音比你的音箱少得多。在 电脑上把多语种 v2 和其他模型区分开的一些东西，在电话里会丢掉。Turbo v4 的 活力不会。

各模型说不了的语言

Turbo v4 和对话 v3 能说智能体可设置的每一种语言。老的两个不行：

• Flash v2.5 说不了波斯语、尼泊尔语和泰语。
• 多语种 v2 说不了波斯语、尼泊尔语、泰语和越南语。

在说不了你智能体语言的模型下面，选择器会显示 「不支持」 加上语言自己的 名字（对泰语智能体，是 「不支持ไทย。」），而且你选不了它。

智能体的其他语言也算数。如果你的智能体用英文应答，但通话中可以切到泰语， Flash v2.5 一切过去就说不了。所以这通电话会用 Turbo v4 而不是你选的那个，尽管 光说英文本来是允许的。一个覆盖不了通话可能用到的每种语言的选择，不会被照办。

粤语： 只有 Turbo v4 把粤语列为自己名下的语言。另外三个列的是中文。要一个 听起来是粤语的智能体，就留在 Turbo v4。

水面之下发生的四件事

不选就是「跟随默认」。 没选模型的智能体用平台默认值，今天是 Turbo v4。 如果默认以后变了，这个智能体跟着变。手动选 Turbo v4 的保存方式和什么都不 选一样。要想不管默认怎么变都待在同一个模型上，选另外三个中的一个。

早前切换到「多语种」的智能体，仍在多语种 v2 上。 在这个控件出现之前，唯一 的选择是一个为更高质量而设的 多语种（Multilingual）开关，那个开关指的就是 多语种 v2。开过它的智能体会保留它，连同每个回答前的停顿。它们不会被挪到 Turbo v4。如果你的智能体里有一个开过它，去听听 Turbo v4，再判断这个等待还值 不值。

换成其他提供商的音色会清掉这个选择。 只有 ElevenLabs 有模型。选一个 Azure 或 OpenAI 的音色，模型选择就被丢掉了。之后回到 ElevenLabs，智能体会重新从 默认开始。

Octo 改不了模型。 Octo 可以帮你改音色和流水线，但改不了这个。在智能体 页面上设置好，然后按保存。

要花多少钱

Turbo v4、对话 v3 和 Flash v2.5 的计费价格相同，都按说出的每个字算。多语种 v2 按这个价格的两倍计费。计费的只有智能体说出口的字，所以同样一通长电话，用 多语种 v2 的语音花费是另外三个中任何一个的两倍。语言模型和电话线在每个模型 上价格都一样。

你会在别处见到、这里没有的模型

ElevenLabs 自己的网站上列出的模型比这个选择器里的多。它们是被有意排除的。

• Eleven v4 和 Eleven v3，完整版，价格是 Turbo v4 和对话 v3 的两倍。 ElevenLabs 做 Turbo 和 Conversational 版本就是为实时对话用的，而电话智能体 干的正是这个。
• Turbo v2.5 是一个更老的模型，价格和 Flash v2.5 一样。仍在用它的智能体 会改用默认值。
• 纯英文的 v2 模型只说一种语言。Turbo v4 已经覆盖英文，外加另外 93 种 语言。