Zur Navigation springen
Funktionen

Text to Dialogue

Erfahren Sie, wie Sie mit ElevenLabs immersive, natürlich klingende Dialoge erstellen.

Überblick

Die ElevenLabs-Text to Dialogue-API erstellt mit Eleven v4 und Eleven v3 natürlich klingende, ausdrucksstarke Dialoge aus Text. Wir empfehlen Eleven v4. Beliebte Anwendungsfälle sind:

  • Passgenaue Gespräche für Videospiele generieren
  • Immersive Dialoge für Podcasts und andere Audioinhalte erstellen
  • Hörbücher mit ausdrucksstarker Erzählung zum Leben erwecken

Um die gewünschten Ergebnisse zu erzielen, können mehrere Generierungen erforderlich sein. Wenn Sie Text to Dialogue in Ihre Anwendung integrieren, sollten Sie mehrere Generierungen erstellen und dem Nutzer die Auswahl der besten ermöglichen.

Um das Gespräch in einer Szene wie einem Telefonat, einem Café oder einer großen Halle zu platzieren, übergeben Sie mit Ihrer Anfrage audio_effects. Dieselben Filter-Presets, Umgebungen und Hintergrundgeräusche wie bei Text-to-Speech-Audioeffekten gelten für den gesamten Dialog. Dialogeffekte sind nur über die API verfügbar.

Hören Sie ein Beispiel:

Entwickler

Erfahren Sie, wie Sie Text to Dialogue in Ihre Anwendung integrieren.

Prompting-Leitfaden

Erfahren Sie, wie Sie ausdrucksstarke Dialoge mit Audiotags prompten.

API-Referenz

Vollständige API-Referenz für den Text-to-Dialogue-Endpunkt.

Stimmenoptionen

ElevenLabs bietet Tausende Stimmen über verschiedene Erstellungsmethoden. Eleven v4 unterstützt über 90 Sprachen und Eleven v3 über 70 Sprachen.

Erfahren Sie mehr über unsere Stimmenoptionen.

Prompting

Die Modelle interpretieren den emotionalen Kontext direkt aus der Texteingabe. Das Hinzufügen beschreibenden Texts wie „sagte sie aufgeregt“ oder die Verwendung von Ausrufezeichen beeinflusst beispielsweise die Emotion der Sprache. Stimmeinstellungen wie Stabilität und Ähnlichkeit helfen, die Konsistenz zu steuern, während die zugrunde liegende Emotion aus textlichen Hinweisen stammt.

Weitere Details finden Sie im Prompting-Leitfaden.

Emotionale Sprechweisen mit Audiotags

Diese Funktion befindet sich noch in aktiver Entwicklung. Die tatsächlichen Ergebnisse können abweichen.

Eleven v4 und Eleven v3 ermöglichen die Verwendung nichtsprachlicher Audioereignisse, um die Darbietung des Dialogs zu beeinflussen. Dazu werden die Audioereignisse in eckigen Klammern in die Texteingabe eingefügt.

In Text to Dialogue hat jeder Dialogzug eigenen Text und eine eigene Stimme. Fügen Sie Audiotags in den Text des Zuges ein, den sie beeinflussen sollen. voice_id wählt weiterhin die Sprecherstimme für diesen Zug aus, während die Tags die Darbietung steuern.

Ein Sprecher kann beispielsweise eine Stimme verwenden, während der Text mit [giggling] beginnt, und der nächste Sprecher kann eine andere Stimme verwenden, während der Text mit [whispering] beginnt. Ein API-Beispiel, das Tags mit voice_id kombiniert, finden Sie im Text-to-Dialogue-Schnellstart.

Audiotags sind Anweisungen in natürlicher Sprache und kein Enum-Parameter. Setzen Sie die Anweisung in eckige Klammern und platzieren Sie sie im Text an der Stelle, an der sich die Darbietung ändern soll. Die folgenden Beispiele sind nicht vollständig; weitere Hinweise zu wirksamen Tags finden Sie im Prompting-Leitfaden.

Audiotags gibt es in verschiedenen Formen:

Emotionen und Darbietung

Zum Beispiel [sad], [laughing] und [whispering]

Audioereignisse

Zum Beispiel [leaves rustling], [gentle footsteps] und [applause].

Allgemeine Anweisung

Zum Beispiel [football], [wrestling match] und [auctioneer].

Einige Beispiele:

"[giggling] That's really funny!"
"[groaning] That was awful."
"Well, [sigh] I'm not sure what to say."

Sie können auch Satzzeichen verwenden, um den Dialogverlauf anzuzeigen, etwa Unterbrechungen:

"[cautiously] Hello, is this seat-"
"[jumping in] Free? [cheerfully] Yes it is."

Auslassungspunkte können verwendet werden, um ausklingende Sätze anzuzeigen:

"[indecisive] Hi, can I get uhhh..."
"[quizzically] The usual?"
"[elated] Yes! [laughs] I'm so glad you knew!"

Das Standard-Antwortformat ist mp3, aber auch andere Formate wie pcm und ulaw sind verfügbar.

  • MP3
    • Abtastraten: 22,05 kHz – 44,1 kHz
    • Bitraten: 32 kbps – 192 kbps
    • 22,05 kHz bei 32 kbps
    • 44,1 kHz bei 32 kbps, 64 kbps, 96 kbps, 128 kbps, 192 kbps
  • PCM (S16LE)
    • Abtastraten: 16 kHz – 44,1 kHz
    • Bitraten: 8 kHz, 16 kHz, 22,05 kHz, 24 kHz, 44,1 kHz, 48 kHz
    • 16-Bit-Tiefe
  • μ-law
    • Abtastrate: 8 kHz
    • Optimiert für Telefonieanwendungen
  • A-law
    • Abtastrate: 8 kHz
    • Optimiert für Telefonieanwendungen
  • Opus
    • Abtastrate: 48 kHz
    • Bitraten: 32 kbps – 192 kbps

Audiooptionen mit höherer Qualität sind nur in kostenpflichtigen Tarifen verfügbar. Details finden Sie auf unserer Preisseite .

Unterstützte Sprachen

Eleven v4 unterstützt über 90 Sprachen. Eleven v3 unterstützt über 70 Sprachen. Die vollständigen Listen finden Sie unter Eleven v4 und Eleven v3.

FAQ

Text to Dialogue ist für die Modelle Eleven v4 und Eleven v3 verfügbar.

Ja. Sie behalten das Eigentum an allen Audiodateien, die Sie generieren. Kommerzielle Nutzungsrechte sind jedoch nur mit kostenpflichtigen Tarifen verfügbar. Mit einem kostenpflichtigen Abonnement dürfen Sie generiertes Audio kommerziell nutzen und die Ausgaben monetarisieren, wenn Sie die IP-Rechte an den Eingabeinhalten besitzen.

Eine kostenlose Regenerierung ermöglicht Ihnen, denselben Text-to-Speech-Inhalt ohne zusätzliche Kosten erneut zu generieren, sofern diese Bedingungen erfüllt sind:

  • Nur im ElevenLabs-Dashboard verfügbar.
  • Sie können jeden Inhalt bis zu zweimal kostenlos erneut generieren.
  • Der Inhalt muss exakt mit der vorherigen Generierung übereinstimmen. Jede Änderung am Text, an den Stimmeinstellungen oder anderen Parametern erfordert eine neue kostenpflichtige Generierung.

Kostenlose Regenerierungen sind nützlich, wenn die Audioausgabe leicht verzerrt ist. Laut internen Benchmarks von ElevenLabs lösen Regenerierungen etwa die Hälfte der Qualitätsprobleme; die übrigen Probleme sind meist auf schlechte Trainingsdaten zurückzuführen.

Die Anzahl der Sprecher in einem Dialog ist unbegrenzt.

Die Modelle sind nicht deterministisch. Für konsistentere Ergebnisse verwenden Sie den optionalen Seed- Parameter, obwohl weiterhin geringfügige Unterschiede auftreten können.

Halten Sie die Gesamtlänge aller inputs[].text-Werte für eine zuverlässige Generierung bei maximal 2.000 Zeichen pro Anfrage. Teilen Sie längere Texte in Blöcke auf und fügen Sie das resultierende Audio in Ihrer Anwendung zusammen.

Wichtige Fakten

  • Modelle: Verfügbar mit Eleven v4 und Eleven v3
  • Sprecher: Keine Begrenzung der Sprecherzahl pro Dialog
  • Anfragegröße: Halten Sie die Gesamtlänge aller inputs[].text-Werte bei maximal 2.000 Zeichen pro Anfrage
  • Determinismus: Die Ausgabe ist nicht deterministisch — verwenden Sie den Parameter seed für konsistentere Ergebnisse
  • Kostenlose Regenerierungen: Bis zu zwei kostenlose Regenerierungen pro Generierung (gleicher Inhalt, gleiche Parameter, nur Dashboard)
  • Eigentum: Sie behalten das Eigentum an generiertem Audio; kommerzielle Nutzung erfordert einen kostenpflichtigen Tarif