AI配音行业最新动态：ElevenLabs v4发布、阿里语音模型降价95%、Google新模型上线

ElevenLabs推出v4和v4 Turbo语音模型

据A5站长网9月30日报道，语音技术公司ElevenLabs发布新一代语音生成模型Eleven v4以及同代的Turbo版本。官方把它称作目前为止表达力最强的一代，主打的是同一段文字该怎么说——语速、情绪、停顿、口音——而不再只是把字念清楚。两款模型即日起通过ElevenCreative、ElevenAgents与ElevenAPI对外提供。

Eleven v4的核心数据：支持90余种语言，10秒素材即可克隆声音，v4 Turbo延迟低于100毫秒。10月7日，ElevenLabs又将9个TTS模型和2个语音转文字模型上线了OpenRouter平台，开发者接入更方便了。

对内容创作者来说，ElevenLabs v4在情感表现力上确实是目前最强的TTS模型之一，适合做短视频配音、有声书等需要情感细腻的场景。

阿里发布Qwen-Audio-3.1，全系降价最高95%

据亿欧网9月23日报道，在2026云栖大会上，阿里巴巴发布Qwen-Audio-3.1系列语音大模型，语音转写（ASR）、语音合成（TTS）和实时语音交互（Realtime）三类模型全面升级，API服务均已上架千问AI平台。同时，为进一步降低用户使用成本，Qwen-Audio全线语音模型价格均下调，最高降幅达95%。

在语音合成方面，基于下代音频创作模型Qwen-Audio-3.1-TTS-Next全新亮相。过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。新模型采用语言模型与扩散模型协同的统一生成框架，将单一的人声合成扩展为通用音频生成系统，可实现一次生成人声、音效和背景声，大幅提升有声书、影视剧、播客、游戏、广告等专业创作效率。

在语音实时交互方面，全新升级的Qwen-Audio-3.1-Realtime听得更懂，更会接话，更会共情，甚至可以主动调用Agent工具完成任务。新模型与人的交互完全可以做到同时说和听，这种极强的全双工交互能力让用户可以随时插话、打断，交流体验更接近真人通话。模型还增强了共情能力，当识别到用户语气低落时，不再机械回复"我理解你的感受"，而是放慢语速，以更贴合语境的方式回应。

具体价格方面，据搜狐科技报道，qwen-audio-3.1-tts-flash每百万字符报价降至3.2元，qwen-audio-3.0-realtime-flash每小时实时会话成本跌破8.9元。同等调用量下，单次TTS成本直降37%，实时语音流费用砍掉近三分之一。

Google DeepMind发布Gemini 3.8 Flash TTS系列

9月25日，Google DeepMind发布了Gemini 3.8 Flash TTS和Flash-Lite TTS两款模型，官方称其为"最具表现力的音频生成模型"。

Flash版主打高质量语音生成，Lite版面向轻量级场景，比如手机端、嵌入式设备这些对算力要求不高的地方。支持100多种语言，30秒音频样本即可完成语音克隆，还可以通过文字提示设计全新音色，比如输入"一个低沉的男声，带点沙哑"就能生成对应的声音。

Google这次走的是"平台路线"，把TTS能力直接嵌入Gemini生态，面向AI助手、车载语音等应用场景。

B站开源IndexTTS 2.5：8G显卡就能跑

B站开源的IndexTTS升级到2.5版本，支持零样本克隆、多语言及情感控制。模型推理提速2.28倍，显存需求低，8G显卡即可运行。

协议对创作者友好，限制商业巨头使用，旨在赋能个人创作者，降低配音门槛。目前IndexTTS2的云端版已经服务了4000多个漫画团队，不需要本地GPU，浏览器直接使用。

对于做AI漫剧、短视频配音的朋友来说，IndexTTS 2.5是个不错的免费选择。在2026年开源TTS选型中，IndexTTS2在情感和时长精确控制方面表现突出，与CosyVoice 2、Qwen3-TTS、Fish Speech 1.5、F5-TTS、Spark-TTS并列为六款值得关注的开源模型。

Inworld收购Ultravox：语音智能体迎来整合

10月初，AI游戏对话平台Inworld宣布收购语音智能体公司Ultravox，技术迁移至Realtime TTS-2平台。

最大的变化是TTS-2支持用自然语言指令实时调整语速和语调。比如在对话中直接说"说慢一点"或者"语气再严肃一些"，模型会即时调整，不需要重新生成。这对做AI客服、游戏NPC的场景很有价值。

国家安全部警示AI语音深度合成三大风险

国家安全部发文指出AI语音深度合成存在三大风险：一是不法分子收集家属声音样本实施诈骗；二是伪造名人声音侵犯权益；三是克隆公职人员语音编造不实言论误导公众。

技术特征为采样快（3-5秒）、逼真度高、操作简便。依据民法典及生成式AI管理规定，未经授权使用他人声音属侵权，严重行为将追究刑责。建议大家在使用语音克隆功能时，注意保护自己的声音样本，不要随意在不可信的平台上留下录音。

AI漫剧配音形成成熟方案

据搜狐号"天狐影视"10月11日报道，2026年AI漫剧配音配乐的主流落地路径，以"AI工具完成基础音轨生产+人工做情感与质感校准+商用版权素材做合规兜底"的组合模式为主，可在控制成本的同时兼顾内容质感与版权合规。

2026年的AI语音合成技术已经可以覆盖漫剧80%以上的常规对白场景，不需要项目方具备专业配音背景，只要按照标准化流程调整参数、完成校准，就能产出接近专业配音演员的音轨效果，整体生产效率比纯真人配音提升60%以上。

具体操作流程包括：角色音库选型、台本预处理、情绪参数分层调整、音损修复与拼接校准四个步骤。其中情绪参数分层调整方面，日常对话场景语速设置为每分钟220-240字，激动场景语速提升15%-20%、音调拉高10%-15%，悲伤场景语速降低10%、气声占比提升20%。

总结

AI配音行业近期密集更新，ElevenLabs v4情感最强，阿里Qwen-Audio-3.1价格最低（降幅95%），Google Gemini 3.8 Flash TTS语言覆盖最广（100+种），B站IndexTTS 2.5开源免费。对普通用户来说，想免费体验语音克隆可以试试浮云梦配音，基于微软Azure引擎，10秒音频即可完成克隆。