做短视频的人大多有过这种体验：画面剪好了，配乐也有了，可一播放总觉得少点什么。没有环境声，没有开门声，也没有人声。你打开音效生成器，输入“door chime”，挑一个凑合能用的，再为场景里每个声音重复一遍。二十分钟后，素材文件夹里多了十几个文件，场景听起来却依然不像同一个地方。
ElevenLabs 在 2026 年 10 月 29 日发布了 SFX v3，核心改进就是解决这件事：一条提示词可以描述包含多个声音的完整场景，而且描述的声音更多会真正出现在结果里。下面讲清楚 SFX v3 比 v2 强在哪里、一套能稳定出效果的五段式“场景音效简报”、一条把视频脚本变成音效清单的提示词，以及 v3 目前仍然搞不定的地方。
ElevenLabs SFX v3 是什么？
SFX v3 是 ElevenLabs 最新的文本生成音效模型，2026 年 10 月 29 日上线。和 SFX v2 相比，它更能准确执行描述多个声音的提示词，生成音乐和人声元素更自然，并且减少了锣声、风铃、哨子等高频声音上常见的刺耳杂音。
根据 ElevenLabs 官方公告，SFX v3 已在 ElevenCreative 的音效页、Flows、Studio 和 Music Editor 上线，手机 App 与 API 也可使用。官方音效文档给出了以下实用参数：
- API 模型 ID：
eleven_text_to_sound_v3，默认模型仍是 v2。 - 时长：每次生成 0.1 到 30 秒，不设置时由模型自动判断。
- 循环：可生成无缝循环的背景声，适合需要超过 30 秒的环境音。
- 提示词影响力：控制模型执行文字的严格程度，默认 30%。
- 输出：每点一次生成得到四个版本，可下载 MP3（44.1 kHz）或 WAV（48 kHz）。
- 开放范围：SFX v3 目前是有限开放，不一定覆盖所有地区。没有权限的账号调用 API 会返回“Unknown model”错误。
为什么“一条提示词生成多个声音”这么重要？
一次生成的声音天然处于同一个声学空间，欢呼声、哨声和落球声听起来就在同一个球场。把每个声音分开生成，你就得在剪辑软件里手动匹配混响、距离和音量，而这恰恰是大多数非音频从业者卡住的地方。
ElevenLabs 官方举的例子是一段足球视频：观众欢呼，球落地，几秒后同一批观众发出嘘声。以前 v2 的建议是把复杂序列拆成单个音效分别生成，再在剪辑软件里拼接。做最终混音时这个建议依然成立，但 v3 改变了初稿的做法：先用一次生成听整个场景，判断创意是否成立，再只把需要精细控制的部分拆出来。
对运营、市场和内容创作者来说，音效设计因此变成两步：先用一条提示词起草场景，再只针对效果不好的部分单独生成。
怎样写出一次就成功的 SFX v3 提示词？
依次写清动作、场景、氛围和表现方式，多个声音按时间顺序用“then”或“followed by”连接。ElevenLabs 文档明确指出，具体的场景描述比宽泛的类别好用，比如“footsteps on gravel approaching slowly”远比单写“footsteps”效果好。
我的做法是五段式场景音效简报，每一段回答一个模型原本只能靠猜的问题：
- 场景：在哪里？空间多大？比如安静的公寓、拥挤的地铁站台。
- 序列：按先后顺序发生了什么？比如钥匙转动，然后门慢慢打开，接着是木地板上的脚步声。
- 表现：力度、速度和距离，比如缓慢、远处、贴近麦克风。
- 质感：加一两个模型认识的音频术语，比如 ambience、whoosh、impact、one-shot、drone。
- 时长：在设置面板里指定秒数，不要写进文字；背景声打开循环。
官方示例都用英文书写，建议提示词也用英文。以一家街边奶茶店的短视频为例，整份简报可以压缩成一句：
Small bubble tea shop on a busy street, ice cubes rattling in a shaker, then a sealing machine pressing a cup lid with a sharp click, followed by a straw piercing the film close to the microphone, upbeat and naturalElevenLabs 测试中有两个用词细节值得借鉴。第一，动词会改变结果：“a couple arguing in French”比“a couple fighting in French”效果更好。第二，多用专业音频词汇，“braam”（预告片里那种厚重的铜管重击）或“whoosh”往往比堆三个形容词更快命中想要的声音。
如何把视频脚本转换成 SFX v3 提示词？
让 ChatGPT 或 Claude 这类对话模型帮你写音效清单。贴入脚本，要求它按“场景、动作序列、表现”的顺序为每个音效写一条 SFX v3 提示词，并标出超过三个声音、需要拆分的条目，然后逐条粘贴到 ElevenLabs。
这一步最省时间，因为音效设计真正难的是想到场景需要哪些声音，而不是敲提示词。下面这条提示词可以直接复制：
You are a sound designer preparing a cue sheet for ElevenLabs SFX v3.
Read the video script below and list every sound the viewer should hear.
For each cue, give:
1. TIMESTAMP and LENGTH (maximum 30 seconds)
2. TYPE: one-shot, loop or ambience
3. PROMPT: one English sentence under 300 characters, written as
setting, then the sounds in time order joined with "then" or
"followed by", then performance words (distance, speed, intensity)
4. SPLIT: write "yes" if the cue needs more than three distinct sounds,
and give a separate prompt for each sound
Rules:
- Never ask for an exact number of repetitions
- No brand names, real people's voices or copyrighted music
- Describe sounds, not only feelings
- Background beds should be TYPE: loop
Script:
[在这里粘贴你的中文或英文脚本]把上限设为 300 个字符是有意为之。音效页最多接受 450 个字符，留出余量，试听后还能补一两个表现类词语。
放到一条 30 秒短视频里是什么效果？
以一家烘焙店的 30 秒小红书或抖音视频为例，音效清单会拆出一段循环环境声、两段多声音场景和一个转场音效。先生成环境声，再生成场景音效，每条从四个版本里挑最好的。
- 第一条，循环，30 秒：清晨安静的街道，远处车流、电车铃声和鸟叫。
- 第二条，场景，6 秒：烤箱门金属声打开，然后烤盘滑出，接着是新鲜面包的酥脆声，贴近麦克风。
- 第三条，场景，5 秒：纸袋沙沙声，然后门铃响起，接着一位顾客说“thank you”。
- 第四条，单次，1.5 秒：轻快通透的转场 whoosh，不要低频。
第三条最能体现 v3 的价值，它同时包含拟音、铃声和一句人声，正是 ElevenLabs 说改进最大的三类声音。如果人声听起来不自然，就只把人声单独重做，或者用手机自己录一句，保留 v3 初稿里的纸袋声和门铃声。
如果画面也是 AI 生成的，建议声画一起规划。我们的 Kling 4.0 关键帧广告指南用的是同样的逐拍结构，音效清单可以直接对应关键帧。
SFX v3 还有哪些短板？
SFX v3 依然会忽略指定的重复次数，声音越多越不稳定，而且你的账号未必已经开通。把它当作快速起草场景的工具，最关键的音效仍要准备拆分、重做或在后期调整。
- 计数：官方承认“triangle hit 4 times”这类要求不一定被执行。生成一下敲击，再在剪辑软件里复制。
- 提示词太满：v3 处理多条指令比 v2 强，但不等于完美。超过三四个声音时，部分声音可能丢失，应拆开处理。
- 地区开放：v3 是有限开放。如果在模型列表里看不到它，并不是你操作有问题，v2 用同样的提示词结构照样可用。
- 成本：公告没有公布 v3 价格。文档显示 API 指定时长时按每秒 40 credits 计费，30 秒的循环声并不便宜，批量生成前先核对你套餐的最新价格。
- 提示词影响力：默认 30% 会让模型自由发挥。如果它总加入你没要的声音，就调高；如果声音太僵硬，就调低。
- 商业使用：用于付费投放前，先确认你所在套餐的授权条款。
如何在 20 分钟内上手测试 SFX v3？
挑一条还没做音效的成片，用上面的提示词把脚本转成音效清单，再选最复杂的两条，分别用 SFX v3 和 v2 生成对比。保留需要修改更少的版本，同时记下哪些用词最有效。
- 清单里的每个声音，是否至少在四个版本之一中出现？
- 各个声音听起来像在同一个空间，还是像硬拼上去的？
- 铃声、哨声有没有爆音或沙沙声？
- 哪个词的改动带来的差别最大？
把好用的提示词存进一个文本文件。做完三四个项目，你就有了属于自己的提示词模式库，这比任何一段生成的音效都更有价值。
好的音效设计过去需要专业音频师，现在需要的是一份清晰的简报，以及愿意多听一遍的耐心。懂AI，更懂你 UD相伴，AI不冷。
由 UD AI 团队审阅。内容依据 ElevenLabs 于 2026 年 10 月 29 日发布的 SFX v3 公告（Renee Zhang、Eric Michaelis）、官方音效文档与产品指南，以及 Creators Toolbox 的报道。模型开放情况因账号和地区而异。
你能在自己的工作上赢过 AI 吗？
写好简报是一种能力，知道哪些工作 AI 已经比你做得更快，是另一种能力。马上试试 UD 免费的 AI Battle Staff 挑战。当你准备把这类技巧变成稳定运行的工作流程，UD 团队手把手带你完成每一步，从工具配置、流程设计到实际部署，让 AI 真正为你所用。