ElevenLabs 语音生态再进阶：Scribe v2 与 ElevenAgents Expressive Mode，把"会说话"升级为"会表达"

ElevenLabs 在 2026 年持续推进其语音生态，最新更新聚焦两大主线：Scribe v2 语音识别（STT）与 ElevenAgents 的表达能力增强（Expressive Mode），并叠加 Music v2、Dubbing v2 等创作端里程碑。这家以"AI Communication Platform"自我定位的公司，正通过 ElevenCreative、ElevenAgents、ElevenAPI 三层结构，把语音从"生成"推进到"理解与会话"。

• Scribe v2（STT）：2026-01 发布，官方披露在多项语音识别基准上达到 98% 准确率，补齐了平台在"语音理解"侧的短板。
• Expressive Mode for Agents：2026-02 推出，让客服/业务语音 Agent 不只是"回答正确"，还能表达语气与情绪，提升人机对话的自然度。
• 创作端双里程碑：Music v2 与 Dubbing v2 于 2026-05 落地，把音乐生成与多语言配音能力整体升级。
• 三层产品结构成型：ElevenCreative（创作）、ElevenAgents（会话）、ElevenAPI（开发者）共用同一底层模型与资产体系。

版本背景

ElevenLabs 的核心资产是语音基础模型，覆盖 Text to Speech、Speech to Text、Voice Cloning、Dubbing、Music Generation、SFX 与 Image & Video 等能力。其语音模型谱系包括：Eleven Flash（75ms 超低延迟）、Eleven Multilingual v2（高拟真）、Eleven v3（高表现力）与 Scribe v2（STT，98% 准确率）。官网标注支持 70+ 语言、5000+ 预设语音库。

2026 年的更新主线，是把"语音生成"与"语音理解"放进同一条产品链路，减少企业多供应商拼接造成的音色不一致与数据孤岛问题——这也是其从"TTS 工具"升级为"语音基础设施"的关键一步。

本次版本亮点

语音理解侧：Scribe v2

• 高准确率转写：官方披露多项基准 98% 准确率，覆盖多语言场景。
• 支撑会话闭环：STT 与 TTS 协同，让语音 Agent 具备"听得懂—答得出"的完整闭环，而不是只做单向播报。

会话侧：ElevenAgents Expressive Mode

• 情绪表达能力：Agent 可根据上下文调整语气与情感表达，显著改善客服场景的听感体验。
• 业务配置能力：面向客服与业务流程提供可配置、可监控的语音与文本对话 Agent。

创作端：Music v2 与 Dubbing v2

• Music v2：音乐生成能力整体升级，补齐创作者音频资产链路。
• Dubbing v2：多语言配音能力增强，支撑影视与内容全球化分发。

对开发者的意义

对国内开发者与产品团队而言，ElevenLabs 的生态演进有两点值得留意。其一，语音 Agent 正在成为客服、外呼、营销触达的新载体，而"表达力"是区别于传统 IVR 的关键变量——Expressive Mode 这类能力直接影响用户对 AI 客服的接受度。其二，STT + TTS + Agent 的一体化方案，比"多家拼装"在音色一致性与数据治理上更有优势，但也要注意语音数据的合规与隐私要求。

对比来看，开源侧的 Whisper 在 STT 上提供了免费自托管的另一条路径，而 ElevenLabs 的价值在于把识别、生成与会话打包成可治理的企业级服务，二者分别适合"自建数据管道"与"快速上线"两类团队。

使用路径建议

• 创作者：从 ElevenCreative 入手，体验语音克隆、配音与音乐生成，验证内容生产工作流。
• 企业客服/外呼：评估 ElevenAgents 的 Expressive Mode 与监控能力，小流量试点后扩容。
• 开发者：通过 ElevenAPI 集成 TTS/STT/Agent 能力，关注七档订阅（Free 到 Enterprise）与用量 Credits 的成本模型。

值得跟踪的方向

1. Scribe v2 的中文与方言覆盖：多语言转写质量在国内本地化场景的实测表现。
2. Expressive Mode 的落地场景：在客服、有声内容等场景的采纳率与用户接受度数据。
3. 企业合规与数据安全：语音数据在国内使用的合规路径，是决定国内团队是否接入的关键前提。