/agents → 你的智慧體 → 語音管線 → 合成語音。當選定的語音是 ElevenLabs 語音時，它那一列會帶有一個 模型： 控制項，裡面有四個選項。語音本身不變。 模型決定的是這個語音怎麼被「演出來」：聽起來多生動、多快開始說話、能說哪些 語言，以及每個字要花多少錢。
這個控制項只在使用 ElevenLabs 語音的 Standard (STT + LLM + TTS) 管線上出現。 即時管線自帶語音，其他文字轉語音供應商也沒有模型可選。
四個模型
| 模型 | 聽起來如何 | 我們通話中的首音 | 語言 | 價格 |
|---|---|---|---|---|
| Turbo v4（預設） | 四者中最有表現力、最生動的一個。 | ~0.11 s | 94 種，包括粵語 | 1× |
| 對話 v3（Conversational v3） | 自然對話式的語氣，比 Turbo v4 稍微沉穩一些。 | ~0.18 s | 74 | 1× |
| Flash v2.5 | 平實、穩定的語氣，很少聽起來怪怪的。 | ~0.12 s | 32 | 1× |
| 多語種 v2（Multilingual v2） | 四者中最豐富、最接近真人的音質，為旁白與錄音而生。 | ~0.5–1.2 s | 29 | 2× |
「首音」指的是從智慧體的文字準備好，到它的語音發出第一個聲音之間的時間。我們 是在走真實電話路徑的實測通話上量測的：每通電話都用同一個智慧體、同一個語音、 同一份腳本和同一個語言模型，只有語音模型不同。每通電話有兩輪英文和兩輪中文。
- Turbo v4 在每一輪回覆都是最快的。21 輪回覆的範圍是 0.09 到 0.12 s。
- Flash v2.5 居次，為 0.11–0.13 s。
- 對話 v3 最慢，為 0.16–0.20 s。
- 這個順序在英文和中文之間從未改變。這些模型沒有任何一種，在某個語言裡啟動得 比另一種慢。
多語種 v2 則是另一個等級。在正式通話上它要約半秒才開始，在直接測試中超過一秒。 這個差距長到耳朵聽得出來。
聲音開口之前要等多久
實測通話中各次回覆的範圍。多語種 v2 取自正式通話與直接測試。
這個選擇對速度做什麼、不做什麼
語音模型只佔回覆時間的一小部分。在上面的通話中，一整輪回覆——從來電者停下到 智慧體發出第一個聲音——大多在 1.3–1.7 s，語音模型佔其中 0.1–0.2 s。如果你的 智慧體感覺慢，在 Turbo v4、Flash v2.5 和對話 v3 之間切換，改變的幅度不到十分之 一秒。
一次回覆的時間花在哪裡
- 確認來電者說完了
- 語言模型開始作答
- 聲音開口
0.1–0.2 s
0.5–1.2 s
測試通話中一次典型的英文回覆。三個快速模型相差不到 0.1 s。
例外是多語種 v2。它在每個回答前都多出一段聽得出來的停頓，所以除非音質對你 比等待重要，否則不要用在即時對話的電話智慧體上。
中文回覆確實比英文回覆慢一些，但語音不是原因。語言模型要多花一點時間才開始 作答；停頓偵測也更容易判定中文來電者還沒說完。換語音模型縮短不了這個差距。
該選哪一個
兩個問題
-
1比起每次回答前的停頓，你更在乎音質嗎？
是多語種 v2音質最豐富 · 開口較慢 · 價格 2 倍否
-
2聽聽 Turbo v4，是不是太用力了？
否Turbo v4預設 · 最快 · 語言最多是Flash v2.5平實、穩定對話 v3自然，稍沉穩
留在 Turbo v4，除非你聽出換的理由。它啟動最快、會說的語言最多，也最有 表現力。什麼都不選，拿到的就是 Turbo v4。
如果 Turbo v4 聽起來太用力，試試 Flash v2.5。有表現力是兩面刃。在我們的 通話裡，Turbo v4 聽起來像一個很努力表現的人，Flash v2.5 則像一個不會錯到哪裡去 的穩妥選擇。對一個整天在唸訂單編號和營業時間的智慧體來說，平實可能正是你要的。
想要介於兩者之間，試試對話 v3。它聽起來自然，比 Turbo v4 稍微沉穩。它也是 三個快的模型裡開口最慢的，差距不到十分之一秒。
把多語種 v2 留給音質必須最好的智慧體。它有四者中最豐富的音質，每個字的 成本是兩倍，還讓每位來電者為每個回答多等一段時間。它是為旁白而做的，不是為 對話而做的。
選之前先試聽，再打一通
在選定的語音下方，試聽這個音色：會用每個模型播放同一個語音：一段簡短的 問候語，用那個語音自己的語言。決定之前把四個都聽一遍。差別在說話的方式，用 聽的比用讀的更快分辨出來。
然後用一支真正的電話撥打那個號碼。電話線路帶得過去的音質遠少於你的喇叭。在 筆電上把多語種 v2 和其他模型區分開來的某些特質，在通話裡會流失；Turbo v4 的 生動感則不會。
每個模型說不了的語言
Turbo v4 和對話 v3 會說智慧體能設定的每一種語言。較舊的兩個不行：
- Flash v2.5 不會說波斯語、尼泊爾語或泰語。
- 多語種 v2 不會說波斯語、尼泊爾語、泰語或越南語。
四個模型在語言上的差別
| Turbo v4 94 種語言 | 對話 v3 74 種語言 | Flash v2.5 32 種語言 | 多語種 v2 29 種語言 | |
|---|---|---|---|---|
| 波斯語 | 能說 | 能說 | 不能說 | 不能說 |
| 尼泊爾語 | 能說 | 能說 | 不能說 | 不能說 |
| 泰語 | 能說 | 能說 | 不能說 | 不能說 |
| 越南語 | 能說 | 能說 | 能說 | 不能說 |
| 粵語 | 能說 | 歸在中文下 | 歸在中文下 | 歸在中文下 |
– 歸在中文下
智慧體可設定的其他語言，四個模型都能說。
在說不了你智慧體語言的模型下方，選擇器會顯示「不支援」加上該語言自己的名字 （以泰語智慧體為例，會看到「不支援ไทย。」），而且你無法選它。
智慧體的其他語言也算數。如果你的智慧體用英文應答，但通話中途可以切換成 泰語，Flash v2.5 一切換就說不了話。所以通話會改用 Turbo v4，而不是你選的那個， 即使只用英文的話本來選它沒問題。凡是無法涵蓋通話可能需要的每一種語言的選擇， 都不會被採用。
粵語：只有 Turbo v4 把粵語列為自己的一種語言。其他三個列的都是中文。要讓 智慧體聽起來是說粵語的，就留在 Turbo v4。
這個選擇在水面下發生的四件事
不選就等於「跟著預設走」。沒有選模型的智慧體使用平台預設，也就是今天的 Turbo v4。如果預設日後改變，那個智慧體也跟著變。手動選 Turbo v4，儲存的 方式和什麼都不選完全一樣。想不論預設怎麼變都留在某個模型上，就選另外三個中 的一個。
先前切到「多語種」的智慧體，仍然在多語種 v2 上。在這個控制項出現之前， 唯一的選擇是一個為了更高品質的多語種 (Multilingual) 開關，而那個開關指的 就是多語種 v2。原本開著它的智慧體會保持開著，連同它在每個回答前的那段停頓。 它們不會被移到 Turbo v4。如果你的智慧體有開過它，去聽聽 Turbo v4，再判斷那段 等待還值不值得。
換成別家供應商的語音會清掉這個選擇。只有 ElevenLabs 有模型。選了 Azure 或 OpenAI 的語音，模型的選擇就會被丟掉。如果你再回到 ElevenLabs，智慧體會重新從 預設開始。
Octo 改不了模型。Octo 能替你改語音和管線，但這個不行。請在智慧體頁面上 設定，然後按儲存。
要花多少錢
Turbo v4、對話 v3 和 Flash v2.5 的計費方式相同：說出口的每個字，同一個價。 多語種 v2 的費率是它的兩倍。只有智慧體說出口的字才計費，所以同一通長電話， 多語種 v2 光是語音的費用就是其他三個中任何一個的兩倍。語言模型和電話線路在 每個模型上的費用都一樣。
別處看得到、這裡沒有的模型
ElevenLabs 自家網站列出的模型比這個選擇器顯示的多。它們是被刻意不放進來的。
- Eleven v4 和 Eleven v3 是完整版，費用是 Turbo v4 和對話 v3 的兩倍。 ElevenLabs 做 Turbo 和對話版本，是為了即時對話——那正是電話智慧體在做的事。
- Turbo v2.5 是較舊的模型，價格和 Flash v2.5 相同。還掛著它的智慧體會改用 預設。
- 僅英文的 v2 模型只會說一種語言。Turbo v4 已經涵蓋英文，外加其他 93 種 語言。