作者第一时间实测了 ElevenLabs v4 语音模型。该模型被官方称为“最有感情”的一代，能读懂语气、节奏和情绪，无需 SSML 即可通过文案直接指挥表演；即时语音克隆仅需10秒音频，专业克隆保真度更高。v4 支持90+种语言（上代70种），中日文提升最大，长篇创作中说话者身份保留更可靠。Turbo 版延迟压至100ms，适合实时语音智能体。API 定价千字 $0.08，10月12日前有促销。作者认为质感起飞，适合短剧、播客、AI配音场景，但中文音色仍偏少，评论区对中文效果评价不一。
本文介绍如何使用ElevenLabs的Dubbing工具将中文视频快速制作成多语种版本。Dubbing v2支持90多种语言翻译，可保留说话人音色、情绪与背景音。文章详细讲解源视频准备、术语表建立、上传导出流程、转写翻译配音的校对顺序，以及成片验收的五个检查点（信息准确、声音节奏、混音同步等）。建议先用短样片测试，再逐语言扩展，人工负责专有名词与事实核对，适合课程、产品演示和访谈类内容出海。
作者开发了一个免费开源的雅思背单词网站「词光」，收录 7298 个雅思词汇，每个词配有原创插画、英音美音发音和例句真人配音（使用 ElevenLabs 生成）。网站无需注册即可使用，通过词汇星图点亮星星的互动方式增加学习趣味。文章发布后获得大量好评，网友建议包括做成 App、支持自定义每日单词量、优化字体、改善配图记忆技巧等，作者均积极回应并表示会跟进改进，还计划支持初高中词库和扩展到其他学习领域。
本文面向内容创作者，系统整理了可实际使用的 MCP（Model Context Protocol）工具清单，涵盖做图、视频、语音配音、剪辑字幕、设计衔接和音乐六大场景。作者推荐 Sunra（聚合多家图片/视频/音频模型）、Magnific、ElevenLabs（配音）、Palmier Pro 和 DaVinci Resolve MCP（剪辑）、Figma MCP（设计）等，并提醒避开 Midjourney、Suno 等非官方第三方封装的 MCP。文中还给出安装方法、费用说明及五个常见踩坑提醒：认准官方网址版、注意账户余额、保护授权密钥、区分 Skill 与 MCP、先装一个用熟。
作者用24秒自己的录音实测了Qwen3、VoxCPM2、Index 2.5、Index 2.0和小米MiMo五款TTS工具的语音克隆效果。每款读取相同两篇文案，从音色相似度、语气控制、生成耗时等维度对比。结果显示VoxCPM2和Index 2.0效果最好，是本地方案的首选；Qwen3可用但调节空间有限；小米MiMo通过API云端生成，适合不想本地部署的用户。文章还详细介绍了各工具的界面功能和在RTX 4070 Ti SUPER上的实际等待时间。
作者介绍其产品ListenX的最新一轮更新：正式启用独立域名listenx.space；新增一批X长文播客，涵盖账号运营、投资研究、成长与社交等题材；与李天然老师合作推出每日10分钟市场栏目《Statistics Lab》，聚焦信号而非新闻流水账；获得授权上线Moledao共学课程与NodeXX运营课等语音课程；同时优化网站与播放器体验，包括精选排序、快进快退等功能。作者强调ListenX的核心是把优质文字内容变成声音，让收藏夹里的好文章有更多抵达读者的方式。
本文深入解析了 OpenAI GPT-Live-1 全双工语音模型的架构原理。文章回顾了语音系统的三代演进：级联设计（ASR+LLM+TTS 串联，存在信息丢失和延迟叠加问题）、轮次式端到端语音模型（保留语气情感但依赖 turn detector，容易不自然）、以及全双工架构（模型同时监听和说话，沉默也是一种 token）。GPT-Live 通过将思考从说话中委托出去，保持语音模型小而快以实现毫秒级响应，同时依赖服务端系统的低延迟优化。文章还讨论了全双工系统的评估方法与实时系统工程经验。
作者因收藏夹里长文太多而没时间阅读，萌生把X内容转化为播客的想法，于是用Grokbot从零搭建了ListenX平台。文章详细介绍了全AI自动化工作流的搭建过程：先用《Grokbot橙皮书》注入认知并拆解架构，再部署五大AI专家角色——文本脱水与清洗员、播客金牌编剧、全栈开发工程师、视觉设计总监、声音导演与TTS调度员，每个角色都附有完整系统提示词。最后通过群聊协同与SOP工作流实现全自动化：丢入推文链接即可自动生成播客并上线，让X内容可以随时随地用耳朵消费。
ElevenLabs 发布全新 Dubbing V2 端到端 AI 配音模型。该模型摒弃了传统的“转写-翻译-合成”三段式流程，直接基于原始表演进行声音建模。它支持 90 多种语言和口音，能完美保留原说话人的音色、情绪、呼吸节奏及身份特征，实现音色穿越和情绪保真。同时支持音频、视频及文字输入，提供限时免费体验。
作者整理了 20 种与动画、物理、3D、声音及交付相关的开源技能与工具库，涵盖 Remotion、HyperFrames、Anime.js、React Spring、PixiJS、p5.js、Paper.js、Matter.js、Three.js、Rapier、OGL、tsParticles、glTF Transform、GL Transitions、OBS Studio、Chatterbox、Tone.js、faster-whisper、OpenCut 和 FFmpeg。每个工具附有简介和 GitHub 链接，覆盖从视频渲染、动画编排、图形绘制到配音、字幕转录和视频编码交付的完整创作流程。
作者基于孩子学习中英德韩西五门语言的经历，指出背单词只在小词库初期有效，高阶语言能力依赖语境中的可理解输入（i+1），语言是连续的概率分布而非离散符号映射。文章强调AI TTS配音因缺乏情绪与重音理解，不适合作为有声书标准音源，建议使用真人朗读并让AI做辅助工作。同时区分了母语未固化阶段（低龄儿童可通过动画直接建立音画映射）与母语固化阶段（成人需大量可理解输入）的不同学习方法，并鼓励成人学英语三十岁不晚。
文章系统梳理了 2026 年主流开源 TTS 方案：CosyVoice 2 低延迟流式，适合实时语音 Agent 与数字人；GPT-SoVITS 擅长小样本音色微调与克隆；ChatTTS 拟人口语自然，适合 AI 播客；F5-TTS 与 Breeze-TTS 2 基于流匹配免对齐克隆，稳定性好；Fish Audio Drama 3 情绪表现力全面但算力要求高；MaskGCT 鲁棒性强，可处理气声耳语等极端发音；KittenTTS 2 体积极小，可在 CPU 端侧运行。各方案定位不同，读者可按延迟、音色、表现力与资源需求选型。
文章介绍了开源项目 VoiceStudio（作者 debpalash），一个纯 Python、AGPL-3.0 协议的本地配音工具，定位为「开源、全程本地的 ElevenLabs 平替」。它支持声音克隆、声音设计、带时间轴对齐的视频配音、语音转写、有声书和批量任务，只需几十秒参考录音即可抽音色，官方支持六百多种语言。项目半年内获得约 6.7 万 Star，桌面端基于 Electron，数据全部留在本地不上传云端，兼容 NVIDIA CUDA 和苹果 Metal，并提供 Local API 和 MCP 供 Claude Code、Codex 等 Agent 调用。文章同时提醒性能受硬件限制、授权需分别确认，以及克隆声音必须取得对方授权。
