配音 · 实测
用 Eleven v4 给产品视频配音：15 秒里能说多少
配音能把一组产品照片的幻灯片变成一支小广告。难的不是声音，而是时间：一条有三个镜头的 15 秒视频，每句话大约只有五秒，而一句在纸上看着很短的话，说出来可能要七秒。
ElevenLabs 在 2026年9月28日发布了 Eleven v4，Ciyo 的智能体现在用它来做旁白。2026年9月29日，我们为虚构陶艺工作室 Tidewell 的一款马克杯 Low Tide 做了一条 15 秒的上新视频，并测量了每个词落在哪里。声音很清晰。时间安排改了两轮才对。
Eleven v4 是什么
Eleven v4 是 ElevenLabs 最新的文本转语音模型，同时发布的还有一个更快、面向实时智能体的 Eleven v4 Turbo。ElevenLabs 称两者都支持 90 多种语言，并且可以用行内标签来指导语气和表达。在 Ciyo 里，智能体的旁白工具使用 Eleven v4，提供固定的十种声音；默认声音是温暖、平静的女声 Sarah。
在 Ciyo 里，旁白不是画板上的一个单独文件。智能体按章节写脚本，每个章节生成一段音频，再把它们混成一条成片视频，保存在画板上。
2026-09-28 发布。ElevenLabs 的发布帖介绍了 Eleven v4 和 Eleven v4 Turbo，称它们是其“fastest and most emotive voice models yet”（迄今最快、情感最丰富的语音模型），并说它们在 Artificial Analysis 的排名中位列第一。我们没有核实这个排名；下面的测试讲的是如何为一条产品短视频安排配音的时间。
先准备风格一致的照片
我们要了同一只马克杯的三张 9:16 照片：单独放在架子上、盛着咖啡被拿起来、三只排成一排。智能体先做了第一张，再把它作为另外两张的参考图，让釉色和杯形保持一致。三张共花了 8 个额度。
我经营一家小陶艺工作室 Tidewell。我们周六要上新一款叫 Low Tide 的马克杯。请为一条竖版短视频做三张 9:16 的产品照片：1) 马克杯单独放在窗边的浮木架上，带斑点的奶油色陶土上施海玻璃绿釉，柔和的晨光；2) 一只手拿起同一只盛满咖啡的马克杯；3) 三只同样的马克杯在架子上排成一排。三张图里的马克杯要完全一样。自然的颜色，不要文字，不要标志。按章节写脚本
我们把章节、声音和逐字的台词交给智能体。它为每个章节生成一段旁白，在组装视频之前逐段测量。然后它告诉我们一个问题：“Chapter 1's narration came out at 6.53 s, longer than its 5 s slot.”（第 1 章的旁白长 6.53 s，超过了它 5 s 的时段。）
它没有在不问我们的情况下加快语速或删词。它让第一句延续 1.5 秒进入第二张照片，把后面的句子顺延，并报告了时间安排。三段音频每段花了 1 个额度。
三张照片风格一致。现在用它们做一条 15 秒的竖版视频（1080x1920），配英文旁白，声音用 Sarah。章节：0 到 5 s 照片 1，5 到 10 s 照片 2，10 到 15 s 照片 3，每张都缓慢推近。旁白逐字如下："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." 不要音乐。在最后 3 秒显示文字 "Low Tide - Saturday - tidewell.shop"。告诉我每段旁白有多长，以及视频用了多少额度。声音实际落在了哪里
我们用 ffmpeg 测量了成片。人声分别位于 0.26 到 6.49 秒、6.78 到 10.10 秒和 10.97 到 14.54 秒。所以第一句话压过了 5 秒处的剪辑点，第二句话正好在 10 秒的剪辑点上结束。
这些数字给出了一条简单的规则。第一句有 13 个词，加上停顿用了 6.5 秒，约每秒 2 个词。第二句 10 个词用了 3.3 秒，因为中间没有句号；光是“Meet Low Tide.”（来认识 Low Tide。）后面的句号就加了 0.44 秒的停顿。一个 5 秒的镜头按 8 到 10 个英文单词来规划，每个句号或冒号大约算半秒。
只修一个章节，而不是整份脚本
我们缩短了第一句，请智能体只重做那一段。即使缩短后，这句话还是稍长了一点，所以智能体剪掉了“Meet Low Tide:”（来认识 Low Tide：）后面的停顿，并把这段加速 3%，变成 4.62 秒。这花了 1 个额度，另外两段音频沿用原来的。
在第二个版本里，每句话都落在自己的照片之内：0.33 到 4.86 秒、5.38 到 8.70 秒和 10.37 到 13.94 秒。响度为 −16.5 LUFS，峰值 −1.3 dB，接近智能体的视频方案所瞄准的 −16 LUFS。
请做两处修改。1) 让每句话都落在自己的照片之内。只替换第 1 段，改用这句更短的台词并只重做这一段："Meet Low Tide: sea-glass glaze, thrown by hand at Tidewell." 第 2 段和第 3 段原样沿用，每段都在对应照片出现约 0.3 s 后开始。2) 结尾文字太小，而且在顶部，会被 Instagram 的顶栏挡住。把它放大并居中，放在画面高度约 60% 的位置，分两行："Low Tide mugs" 和 "Saturday - tidewell.shop"，后面加一条柔和的深色底带。视频保持正好 15 s，并告诉我新那段的时长和用掉的额度。在手机尺寸的画面上检查结尾字卡
第一版的结尾文字是靠近顶部的一条灰色小字带，大约在 1,920 像素中的 220 到 325 像素之间，应用的顶栏可能会挡住它。我们的修改让它变大并居中在 60% 高度处，结果它压在了三只马克杯上。第三次请求把它移到了架子上，位于 72% 高度处，在 Instagram 放置说明文字的底部 20% 之上。这次修改没有花额度，音频也完全没变。
旁白的时间现在对了。最后一处修改：在 60% 的位置，结尾文字压在三只马克杯上，挡住了产品。把两行文字都往下移到马克杯下方的木架上，大约在画面高度 72% 的位置，避开 Instagram 放说明文字的底部 20%，并把文字后面的深色底带加深一点。其他一切保持不变，另存为 v3。整条视频花了多少
总共 12 个额度：照片 8 个，第一版旁白 3 个，重做的章节 1 个。用照片组装视频，以及之后对文字和时间的每一次修改，都没有花额度，因为没有生成新的视频。
| 检查项 | 版本 1 | 版本 3（最终版） |
|---|---|---|
| 时长 | 15.000 s | 15.000 s |
| 每句话都在自己的照片之内 | 否（第一句延续到 6.49 s） | 是 |
| 响度 | −16.6 LUFS | −16.5 LUFS |
| 结尾文字 | 小字，在顶部 | 大字，在架子上，位于说明文字区域之上 |
| 额度 | 11（照片 8 + 旁白 3） | 共 12 |
Eleven v4 配音
Eleven v4 是什么？
ElevenLabs 在 2026年9月28日发布的文本转语音模型，另有一个更快的 Turbo 版本。ElevenLabs 称它支持 90 多种语言和行内语气标签。
一个 5 秒的镜头能放多少个词？
在我们的测试中，Sarah 这个声音在有停顿的句子里约每秒说 2 个英文单词，在没有停顿的句子里约每秒 3 个。5 秒按 8 到 10 个词来规划，每个句号或冒号大约算半秒。
在 Ciyo 里能选声音吗？
能。在请求里点名 Ciyo 的一种声音即可：Sarah、Alice、Matilda、Jessica、Lily、George、Daniel、Brian、Eric 或 Will。难读的名字还可以用 IPA 写出发音。
我能拿到单独的音频文件吗？
不能。在 Ciyo 里，旁白会混进成片视频，由智能体保存在你的画板上。
在 Ciyo 里做一条带旁白的产品视频
把照片、章节和逐字台词交给 Ciyo Agent，发布之前先检查时间安排。