ElevenLabs 发布音效模型 SFX v3：一句提示词生成多层音效，音乐与人声更好，API 已可调用（限量开放）

核心背景与行业痛点

游戏、短视频和广告制作里，一个场景往往要叠加多种声音：人群欢呼、球落地、解说喊叫。过去的文生音效模型更擅长单一声音，复杂提示词常被"挑一半"执行，带人声或音乐的音效容易失真，高频的钟声、哨声还会削波。ElevenLabs 10 月 29 日在 X 上发布 SFX v3，官方原话是"大场景很少只靠一个声音"，主打一条提示词生成多层音效。

架构亮点与底层机制

官方未公开模型架构和参数规模。从文档能确认的是：新模型 ID 为 eleven_text_to_sound_v3，与 v2 使用同一个 Sound Effects API，只需把 model_id 换掉；相比 v2，它能遵循同一提示词里的多条指令（如"足球场观众欢呼，听到球落地，观众嘘声"），能处理"福音合唱团唱 hello"这类带音乐或人声的提示词，听感更自然，对锣、钟、哨等高频声音更少削波。v3 同样支持 loop 生成无缝循环音效。

权威 Benchmark 与实测跑分对比

官方未公布任何量化跑分或主观评测分数，只提供了演示视频，并在文档中提醒"效果因提示词而异，切换前请用自己的提示词对比两个模型"。X 上的用户反馈以正面试听感受为主，属个人观点，不能当作评测结论。

开发者实战落地与开箱指南

API 调用时在 Sound Effects 接口传 model_id: "eleven_text_to_sound_v3" 即可；默认仍是 v2，不改参数不会自动升级。v3 目前限量开放，无权限账号会收到 Unknown model 错误，部分地区不可用，上线前要做降级到 v2 的兜底。时长可设 0.1–30 秒，指定时长时按每秒 40 credits 计费（接口通用口径）。非开发者可在 ElevenCreative 的 Sound Effects、Flows 和 Studio 中直接使用。提示词建议写清动作、场景和氛围。