你剛剪好一條 30 秒的產品短片，放上時間軸後卻總覺得死氣沉沉：沒有環境聲，沒有門鈴，也沒有人聲。於是你打開音效生成器，輸入「door chime」，得到四段差不多合用的片段，然後為場景中每一個聲音重複同樣的步驟。二十分鐘後，你手上有十一個檔案，而整個場景聽起來仍然不像同一個地方。
ElevenLabs 於 2026 年 10 月 29 日推出 SFX v3，最大的改進正好針對這個問題：一句提示便可描述包含多個聲音的完整場景，而且更多聲音會真正出現在成品之中。本文說明 SFX v3 與 v2 的分別、一套能穩定出好結果的五段式「場景音效簡報」、一個可把影片腳本轉成音效清單的提示，以及 v3 仍然做不好的地方。
ElevenLabs SFX v3 是什麼？
SFX v3 是 ElevenLabs 最新的文字生成音效模型，於 2026 年 10 月 29 日推出。與 SFX v2 相比，它更能準確跟從描述多個聲音的提示，生成音樂與人聲元素更自然，並減少鑼聲、風鈴及哨子等高頻聲音常見的刺耳雜音。
根據 ElevenLabs 官方公告，SFX v3 已在 ElevenCreative 的音效分頁、Flows、Studio 及 Music Editor、手機應用程式和 API 提供。官方音效文件補充了以下實用資料：
- API 模型 ID：
eleven_text_to_sound_v3，預設模型仍是 v2。 - 長度：每次生成 0.1 至 30 秒，不設定則由模型自動決定。
- 循環播放：可生成無縫循環的背景聲，適合需要超過 30 秒的環境聲。
- 提示影響力：控制模型跟從文字的嚴格程度，預設為 30%。
- 輸出：每按一次生成便得到四個版本，可下載 MP3（44.1 kHz）或 WAV（48 kHz）。
- 使用限制：SFX v3 屬有限度開放，未必在所有地區提供。沒有權限的帳戶透過 API 呼叫會收到「Unknown model」錯誤。
為什麼「一句提示生成多個聲音」對你的流程很重要？
一次過生成的聲音處於同一個聲學空間，觀眾歡呼、哨子聲與皮球落地聲聽起來會像在同一個球場。逐個聲音分開生成，你便要在剪輯軟件中手動配對迴響、距離與音量，而這正是大部分非音效專業人士放棄的地方。
ElevenLabs 自己的例子是一段足球片段：觀眾歡呼、皮球落地，數秒後同一批觀眾喝倒采。過去 v2 的建議是把複雜序列逐個生成，再在剪輯軟件中合併。最終混音時這個建議仍然適用，但 v3 改變了初稿的做法：你可以先用一次生成聽到整個場景，判斷構思是否可行，然後才把需要精細控制的部分拆開處理。
對市場推廣人員和內容創作者而言，音效設計因此變成兩步：先用一句提示起草場景，再只為效果欠佳的部分另行生成。
怎樣寫出一次便成功的 SFX v3 提示？
依次描述動作、場景、氛圍和表現方式，多個聲音則按時間順序以「then」或「followed by」連接。ElevenLabs 文件指出，具體的場景描述勝過籠統的類別，例如「footsteps on gravel approaching slowly」的效果遠好於單寫「footsteps」。
我使用一套五段式場景音效簡報，每一段回答一個模型原本只能猜測的問題：
- 場景：身處何地？空間有多大？例如安靜的住宅單位、擠迫的港鐵月台。
- 序列：按先後次序發生什麼？例如鑰匙轉動，然後門慢慢打開，接着是木地板上的腳步聲。
- 表現：力度、速度與距離。例如緩慢、遠處、貼近麥克風。
- 質感：加入一至兩個模型認識的音效術語，例如 ambience、whoosh、impact、one-shot、drone。
- 長度：在設定面板而不是在文字中指定秒數，背景聲則開啟循環播放。
官方示例全部以英文撰寫，因此建議以英文寫提示。以一間茶餐廳的短片為例，整份簡報可濃縮成一句：
Busy Hong Kong cha chaan teng at lunchtime, cutlery clinking on plates, then a waiter calling out an order from the kitchen hatch, followed by a ceramic cup placed on a saucer close to the microphone, lively and naturalElevenLabs 的測試中有兩個用字細節值得參考。第一，動詞會影響結果：「a couple arguing in French」比「a couple fighting in French」效果更好。第二，善用音效術語，例如「braam」（預告片常用的厚重銅管重擊聲）或「whoosh」，往往比堆砌形容詞更快得到理想聲音。
如何把影片腳本轉成 SFX v3 提示？
交給 ChatGPT 或 Claude 等聊天模型整理音效清單。貼上腳本，要求它按「場景、動作序列、表現」的次序為每個音效寫一句 SFX v3 提示，並標示超過三個聲音、需要拆開生成的音效，然後逐句貼到 ElevenLabs 即可。
這一步最省時間，因為音效設計最難的是察覺場景需要哪些聲音，而不是輸入提示。可直接複製以下提示：
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:
[在此貼上你的中文或英文腳本]把上限定為 300 個字元是刻意的。音效分頁最多接受 450 個字元，較短的提示讓你試聽後仍有空間加入一兩個表現用字。
實際用在 30 秒短片上會是怎樣？
以一間香港麵包店的 30 秒 Instagram 短片為例，音效清單會得出一段循環環境聲、兩段多聲音場景和一個轉場音效。先生成環境聲，再生成場景音效，每段從四個版本中挑選最好的一個。
- 音效一，循環，30 秒：清晨安靜的香港街道，遠處車聲、電車鈴聲和鳥鳴。
- 音效二，場景，6 秒：焗爐門金屬聲打開，然後烤盤滑出，接着是新鮮麵包的脆裂聲，貼近麥克風。
- 音效三，場景，5 秒：紙袋沙沙聲，然後門鈴響起，接着一位顧客說「thank you」。
- 音效四，單次，1.5 秒：輕快、空靈的轉場 whoosh，沒有低音。
音效三最能體現 v3 的價值，因為它同時包含擬音、鈴聲和一句人聲，正是 ElevenLabs 指出改進最多的三類聲音。若人聲聽來不自然，便只把它另行生成，或用手機自行錄音，保留 v3 初稿中的紙袋聲和門鈴聲。
若短片畫面同樣由 AI 生成，建議聲畫一併規劃。我們的 Kling 4.0 關鍵影格廣告指南採用相同的逐拍結構，音效清單可直接對應關鍵影格。
SFX v3 仍然做不好哪些事？
SFX v3 仍會忽略指定的重複次數，聲音越多便越不穩定，而且你的帳戶未必已經開通。應把它視為快速起草場景的工具，並預期最重要的音效仍需拆開、重新生成或後期剪輯。
- 次數：官方承認「triangle hit 4 times」這類指令未必會被遵從。只生成一下敲擊，再在剪輯軟件中複製。
- 提示過於擁擠：v3 處理多項指令比 v2 好，但並非完美。超過三至四個聲音時，部分聲音可能消失，應拆開處理。
- 地區限制：v3 屬有限度開放。若你在香港看不到這個模型，並不是操作有誤，v2 仍可使用同一套提示結構。
- 成本：公告沒有列出 v3 價格。文件指出在 API 指定長度時每秒收取 40 credits，30 秒的循環聲並不便宜，大量生成前請先查看你方案的最新收費。
- 提示影響力：預設 30% 會讓模型自由發揮。若它不斷加入你沒要求的聲音，便調高數值；若聲音過於生硬，則調低。
- 商業用途：用於付費廣告前，請先確認你方案的授權條款。
如何在 20 分鐘內測試 SFX v3？
選一條尚未加入音效的完成短片，用上述提示把腳本轉成音效清單，然後挑最複雜的兩段，分別以 SFX v3 及 v2 生成作比較。保留需要較少修正的版本，並記下哪些用字最有效。
- 你列出的每個聲音，是否最少在四個版本之一中出現？
- 各個聲音聽來是否身處同一空間，還是像硬貼上去？
- 鈴聲、哨子聲有沒有破音或沙沙聲？
- 哪一個用字的改動帶來最大分別？
把有效的提示存進一個文字檔。做完三四個項目後，你便擁有自己的提示模式庫，這比任何一段生成的音效更有價值。
好的音效設計過去需要專業音響師，現在需要的是一份清晰的簡報和耐心多聽一遍。懂AI，更懂你 UD相伴，AI不冷。
由 UD AI 團隊審閱。內容根據 ElevenLabs 於 2026 年 10 月 29 日發布的 SFX v3 公告（Renee Zhang、Eric Michaelis）、官方音效文件及產品指南，以及 Creators Toolbox 的報道。模型開放情況因帳戶及地區而異。
你能在自己的工作上勝過 AI 嗎？
寫好簡報是一種能力，知道哪些工作 AI 已經做得比你快，則是另一種。立即試玩 UD 免費的 AI Battle Staff 挑戰。當你準備把這類技巧整合成穩定運作的工作流程，UD 團隊手把手帶你完成每一步，從工具配置、流程設計到實際部署，讓 AI 真正為你所用。