語音 · 實測
用 Eleven v4 為產品影片配旁白：15 秒裡放得下多少
旁白能把一組產品照片的幻燈片變成一支小廣告。難的不是聲音，而是時間：一支 15 秒、三個鏡頭的影片，每句旁白大約只有五秒，而一句在紙上看起來很短的話，說出來可能要七秒。
ElevenLabs 在 2026 年 9 月 28 日發布了 Eleven v4，Ciyo 的 Agent 現在用它來配旁白。2026 年 9 月 29 日，我們為虛構陶藝工作室 Tidewell 的馬克杯 Low Tide 做了一支 15 秒的上市影片，並量測每個字落在哪裡。聲音很清楚。時間安排則花了兩輪才調好。
Eleven v4 是什麼
Eleven v4 是 ElevenLabs 最新的文字轉語音模型，同時推出的還有給即時語音代理使用、速度更快的 Eleven v4 Turbo。ElevenLabs 表示，兩者都支援超過 90 種語言，而且可以用行內標籤指示說話的方式。在 Ciyo 裡，Agent 的旁白工具使用 Eleven v4，提供固定的十種聲音；預設是 Sarah，一個溫暖、沉穩的女聲。
在 Ciyo 裡，旁白不是畫板上一個獨立的檔案。Agent 會依章節寫腳本，每個章節生成一段語音，再把它們混進一支完成的影片，存到畫板上。
2026-09-28 發布。ElevenLabs 的發表貼文介紹 Eleven v4 和 Eleven v4 Turbo，稱它們是「fastest and most emotive voice models yet」（至今最快、最富情感的語音模型），並表示它們在 Artificial Analysis 排名第一。我們沒有查證這個排名；下面的測試談的是為一支短產品影片安排旁白時間。
從彼此一致的照片開始
我們要求三張同一個馬克杯的 9:16 照片：單獨放在架子上、裝著咖啡被拿起來，以及三個排成一列。Agent 先做出第一張照片，再以它為參考做另外兩張，讓釉色和形狀保持一致。三張共花了 8 點。
我經營一間小陶藝工作室 Tidewell。我們星期六要推出一款新的馬克杯，叫做 Low Tide。請為一支短的直式影片做三張 9:16 的產品照：1) 馬克杯單獨放在窗邊的漂流木架子上，海玻璃綠的釉色覆蓋在帶斑點的奶油色陶土上，柔和的早晨光線；2) 一隻手拿起同一個裝滿咖啡的馬克杯；3) 三個一樣的馬克杯在架子上排成一列。三張照片裡的馬克杯要完全一樣。自然的色彩，不要文字，不要標誌。依章節寫腳本
我們給了 Agent 章節、聲音和確切的台詞。它為每個章節生成一段旁白，並在組合影片之前逐段量測。接著它告訴我們一個問題：「Chapter 1's narration came out at 6.53 s, longer than its 5 s slot.」（第 1 章的旁白長 6.53 s，超過它 5 s 的時段。）
它沒有在沒問過我們的情況下加快語速或刪減字句。它讓第一句延伸 1.5 秒到第二張照片裡，把後面的句子依序往後移，並回報時間安排。三段語音各花 1 點。
三張照片一致。現在用它們做一支 15 秒的直式影片（1080x1920），配上英文旁白，使用 Sarah 的聲音。章節：0 到 5 s 照片 1，5 到 10 s 照片 2，10 到 15 s 照片 3，每張都緩慢推近。旁白，一字不改："Meet Low Tide. Sea-glass glaze over speckled clay, thrown by hand at Tidewell. It holds your morning coffee and feels like the shore. Low Tide mugs arrive Saturday at tidewell.shop." 不要音樂。在最後 3 秒顯示文字 "Low Tide - Saturday - tidewell.shop"。告訴我每段旁白多長，以及這支影片用了多少點數。聲音實際落在哪裡
我們用 ffmpeg 量測完成的影片。聲音出現在 0.26 到 6.49 秒、6.78 到 10.10 秒，以及 10.97 到 14.54 秒。所以第一句蓋過了第 5 秒的剪接點，第二句則剛好在第 10 秒的剪接點上結束。
這些數字帶出一個簡單的原則。第一句有 13 個英文單字，連同停頓花了 6.5 秒，大約每秒 2 個字。第二句 10 個字只花了 3.3 秒，因為句子中間沒有句點；光是「Meet Low Tide.」後面的句點，就多了 0.44 秒的停頓。一個 5 秒的鏡頭大約安排 8 到 10 個英文單字，每個句點或冒號大約算半秒。
只修一個章節，不要重寫整份腳本
我們縮短了第一句，請 Agent 只重做那一段。即使是縮短後的句子，出來還是稍微長了一點，所以 Agent 縮短了「Meet Low Tide:」後面的停頓，並把這段加速 3%，變成 4.62 秒。這花了 1 點，另外兩段則沿用。
在第二個版本裡，每一句都落在自己的照片內：0.33 到 4.86 秒、5.38 到 8.70 秒，以及 10.37 到 13.94 秒。響度是 −16.5 LUFS，峰值 −1.3 dB，接近 Agent 影片流程設定的目標 −16 LUFS。
請做兩項修正。1) 讓每一句都落在自己的照片內。只把第 1 段換成這句比較短的台詞，並只重做這一段："Meet Low Tide: sea-glass glaze, thrown by hand at Tidewell." 第 2 段和第 3 段維持原樣沿用，並讓每段在它的照片出現後約 0.3 s 才開始。2) 結尾文字太小，又放在最上方，會被 Instagram 的頁首擋住。把它放大，置中在畫面高度約 60% 的位置，分成兩行："Low Tide mugs" 和 "Saturday - tidewell.shop"，後面加一條柔和的深色底帶。影片維持剛好 15 s，並告訴我新那段的長度和使用的點數。在手機尺寸的畫面上檢查結尾卡
第一版的結尾文字是靠近上方的一條小小灰色底帶，大約在 1,920 像素中的第 220 到 325 像素之間，App 的頁首可能會蓋住它。我們的修正讓它變大並置中在 60% 高度，結果它壓在三個馬克杯上。第三次要求把它移到架子上，位於 72% 高度，高於 Instagram 放說明文字的最下方 20% 區域。這次修改不花點數，音訊也完全沒變。
旁白時間現在對了。最後一個修改：在 60% 的位置，結尾文字壓在三個馬克杯上，把產品擋住了。把兩行文字往下移到馬克杯下方的木架上，大約在畫面高度 72% 的位置，避開 Instagram 放說明文字的最下方 20% 區域，並讓文字後面的深色底帶再明顯一點。其他全部保持不變，存成 v3。整支影片花了多少
總共 12 點：照片 8 點，第一次旁白 3 點，重做的章節 1 點。用照片組成影片，以及之後對文字和時間安排的每一次修改，都不花點數，因為沒有生成新的影片。
| 檢查項目 | 版本 1 | 版本 3（最終版） |
|---|---|---|
| 長度 | 15.000 s | 15.000 s |
| 每一句都在自己的照片內 | 否（第一句延伸到 6.49 s） | 是 |
| 響度 | −16.6 LUFS | −16.5 LUFS |
| 結尾文字 | 小字，在最上方 | 大字，在架子上，高於說明文字區 |
| 點數 | 11（照片 8 + 旁白 3） | 總共 12 |
Eleven v4 旁白
Eleven v4 是什麼？
ElevenLabs 在 2026 年 9 月 28 日發布的文字轉語音模型，另有速度更快的 Turbo 版本。ElevenLabs 表示它支援超過 90 種語言和行內語氣標籤。
一個 5 秒的鏡頭放得下幾個字？
在我們的測試中，Sarah 這個聲音在有停頓的句子裡大約每秒說 2 個英文單字，在沒有停頓的句子裡每秒 3 個。5 秒大約安排 8 到 10 個英文單字，每個句點或冒號大約算半秒。
在 Ciyo 裡可以選擇聲音嗎？
可以。在要求中指名其中一個 Ciyo 聲音：Sarah、Alice、Matilda、Jessica、Lily、George、Daniel、Brian、Eric 或 Will。難唸的名字也可以用 IPA 寫出發音。
我會拿到獨立的音訊檔案嗎？
不會。在 Ciyo 裡，旁白會混進完成的影片，由 Agent 存到你的畫板上。
在 Ciyo 裡做一支有旁白的產品影片
把照片、章節和確切的台詞交給 Ciyo Agent，然後在發布前檢查時間安排。