很多人用AI生成只停在文、图、视频三件套，遇到要做一段配音、一个能走能转的3D模型、一个能点能玩的交互页面时就不知道从哪下手。这篇把三件套之外的几种生成形态按「能交付什么成品」摆出来，每种给判断标准和可执行动作，付款前该看哪几个页面也一并说清。
很多人提起 AI 生成，脑子里只有文、图、视频三件套。真到项目里就会发现，一段要配旁白的短片、一个要在网页里转起来的立体模型、一个能点能玩的演示页，三件套根本补不齐。这时候要么临时到处找工具，要么干脆改需求，两条路都费劲。
这篇不按模型名来讲，按「最后能交付什么成品」把三件套之外的生成形态摆一遍：声音类、空间类、动作类、可交互类。每种给一条上手路径和几个付款前必须看的页面，具体数字一律去站内对应页对，别凭印象下单。
先弄清三件套之外还有哪几类产物
分类别盯着模型名看，按交付物形态分更实用。声音类是配音、音乐、音效；空间类是 3D 模型、场景、点云；动作类是骨骼动画、表情驱动、镜头运动；可交互类是能点能玩的页面、小游戏、仿真环境。同一类里不同产品名头很花，但你要验收的东西是同一坨。
| 产物形态 | 典型交付物 | 验收时最先看什么 |
|---|---|---|
| 声音类 | 旁白、配乐、音效 | 语种音色、能不能调语速停顿、导出格式 |
| 空间类 | 网格模型、场景、点云 | 面数拓扑、UV 与材质是否完整、导出格式 |
| 动作类 | 骨骼动画、表情、镜头运动 | 骨架是否干净、驱动后会不会散 |
| 可交互类 | 可操作页面、小游戏、仿真 | 一条完整操作路径能不能跑通 |
判断自己该不该跨出三件套，看最终交付里有没有这三样：有人声、有立体物件、有可操作界面。只要占一样，纯文图视频就得靠人工拼补丁，早期换工具比事后补省事。反过来，交付物只是给人看一段内容、不需要别人上手操作，硬上 3D 或交互只会拖长工期，这种情况不适用本条。
声音类生成：配音、音乐、音效怎么落地
配音落地前先把三件事定死：语种与音色数量够不够用、能不能调语速停顿和情绪、导出格式与采样率是否匹配你的剪辑软件。音色与语种清单别靠猜，到 语音模型（/voice） 和 ElevenLabs 官方入口（/official-api/providers/elevenlabs） 对照当时的列表。
- 先出十秒样音用你自己的稿子跑一小段，重点听多音字和断句，这两处最容易翻车
- 确认参数可调语速、停顿、情绪能不能单独改，改完重出是否需要重头再跑一次
- 再批量生成样音过了再整篇跑，避免几十条返工；导出后用剪辑软件实际拖一遍确认能识别
音乐和音效是另一条线，授权口径和配音不一样。商用前先确认能不能分发、要不要署名、能不能二次修改，去 安全与合规（/safety） 把说明看完再下单。判断标准很简单：只要这条内容要对外投放或卖钱，就按商用口径查，别拿个人试用的规则套。
空间与动作类生成：3D模型、场景和骨骼动画
空间类下手前先分清用途。游戏或产品展示要的是能进引擎的网格模型，概念稿只要一张多角度图，两者对面数和拓扑的要求完全不是一回事。拿错类型，不是模型不能用，而是后期重做比重新生成还贵。
拿到模型别直接上线，按固定顺序过一遍：面数是否在目标平台吃得下、UV 和材质通道还在不在、导出格式目标软件读不读得进。这三步任何一步不过，先回去调，不要指望在渲染阶段补救。
- 网格模型
- 能进引擎、能被灯光和骨骼使用的三维体，重点是拓扑与材质完整
- 点云
- 由大量空间点组成的形态，适合扫描还原，不适合直接做动画
- 骨骼动画
- 依附在已有模型上的动作数据，模型骨架脏就没法驱动
- 表情驱动
- 在面部区域做形变，通常需要干净的面部骨骼或 blendshape
动作与表情这类生成，一般依附在已有模型上。没有干净骨架的模型要先补骨架再驱动，否则一动就散。这条的例外是：只做静帧展示或多角度渲染，不需要动，那骨架问题可以先放一边。
可交互类生成：会动的页面、小游戏与仿真
可交互产物的验收标准不是好不好看，而是能不能跑通一条完整操作路径。测的时候按三条线各走一遍：点进去、退回来、重开一次。三条都顺，才算能用；卡在任意一条，说明状态管理没做干净。
- 把生成的代码或场景当草稿，不当成品，先确认它还依赖哪些外部库
- 接自己的数据之前，先确认运行环境和依赖版本，别等上线才发现跑不起来
- 在目标设备上实测一遍，桌面能跑不等于手机能跑
- 留一版可回退的旧实现，改交互逻辑出问题时不至于全盘停摆
不适用的情况也要说清：交付给人看的宣传页、只需要滚动浏览的落地页，用现成模板更快更稳，不必上生成式交互。交互类真正的价值在于「别人要动手操作」，不需要操作就不必引入这层复杂度。
钱怎么算、授权怎么查：动手前先对一遍
计费口径必须先对齐。按字符、按分钟、按订阅、按张数各有各的算法，同一种产物在不同平台口径差很多，光靠记印象算成本一定算错。当前的价格和规格到 价格变动追踪（/price-watch） 对当时的数字，别拿几个月前看到的值做预算。
生成类接口的价格与规格分散在各家官方页，统一入口在 官方 API 价格（/official-api）。建议先把单次成本算出来，再决定是批量做还是先试做一批。这个顺序反了，很容易在小批量试水里烧掉大量额度。
| 产物类型 | 计费口径通常看什么 | 授权要重点确认什么 |
|---|---|---|
| 声音类 | 按分钟或字符，注意是否含试听 | 声音克隆权、对外分发权、是否需署名 |
| 空间类 | 按次或按订阅，注意导出限制 | 模型权重与引擎许可、能否商用 |
| 动作类 | 多依附订阅或按次 | 驱动数据能否随模型一起发布 |
| 可交互类 | 按调用或订阅，注意运行环境 | 依赖库许可、生成代码能否商用 |
授权边界按产物分头查：声音类看声音克隆与分发权，空间与交互类看模型权重和引擎许可。拿不准就交叉核对 多模态模型（/multimodal） 和 安全与合规（/safety） 两个页面的说明。判断标准是「这条内容最终给谁用、要不要收钱」，按这个口径查出来的答案才算数。
三件套之外的能力，验收标准都不是好不好看，而是能不能直接交付、能不能合法用。下一步先想清楚你这单活最后交付的是什么：有人声、有立体物件、还是有可操作界面。定了形态，再到站内把对应的计费和授权口径对一遍，比先挑工具省事得多。→
常见问题
除了文、图、视频，现在还能生成什么？
大致分四类：声音类（配音、音乐、音效）、空间类（3D模型与场景）、动作类（骨骼动画、表情驱动）、可交互类（能点能玩的页面或仿真）。选哪类不看模型宣传，看你的最终交付里有没有人声、立体物件或需要别人操作的界面。
这些形态的计费方式有什么不一样？
文本图像视频常见按量或按张，声音类多按字符或按分钟，3D和交互类往往按订阅或按算力时长算。同一个产物换平台口径可能差一截，动手前先到站内价格与官方API页面把单次成本算出来，别按印象估。
生成的声音或3D模型能直接商用吗？
先看授权范围再决定用途，尤其是声音克隆和分发权、模型权重与商用条款这几项，各家差别不小。判断标准是这份产物对外发布还是内部使用、有没有转卖成分，拿不准就先去站内安全与合规页面核对当时的条款。
