Text to Speech
Überblick
Die Text to Speech (TTS)-API von ElevenLabs wandelt Text in lebensechtes Audio mit nuancierter Intonation, natürlichem Tempo und emotionalem Verständnis um. Unsere Modelle passen sich an textliche Hinweise in 32 Sprachen und verschiedenen Sprechstilen an und können verwendet werden, um:
- globale Medienkampagnen und Werbung zu vertonen
- Hörbücher in mehreren Sprachen mit komplexem emotionalem Ausdruck zu produzieren
- Audio in Echtzeit aus Text zu streamen
Hören Sie sich ein Beispiel an:
Entdecken Sie unsere Stimmbibliothek, um die passende Stimme für Ihr Projekt zu finden.
Stimmqualität
Für Echtzeitanwendungen bietet Flash v2.5 extrem niedrige Latenz von 75 ms, während Multilingual v2 Audio in höchster Qualität mit nuancierterem Ausdruck liefert.
Stimmoptionen
ElevenLabs bietet Tausende Stimmen in 32 Sprachen über mehrere Erstellungsmethoden:
- Stimmbibliothek mit über 3.000 von der Community geteilten Stimmen
- Professionelles Klonen von Stimmen für Repliken mit höchster Genauigkeit
- Sofortiges Klonen von Stimmen für schnelle Stimmreplikation
- Voice Design zum Generieren individueller Stimmen aus Textbeschreibungen
Erfahren Sie mehr über unsere Stimmoptionen.
Audioeffekte
Audioeffekte bearbeiten generierte Sprache nach, damit sie klingt, als wäre sie an einem bestimmten Ort aufgenommen worden – ohne anschließende Bearbeitung. Legen Sie eine beliebige Kombination fest aus:
- Filter-Voreinstellung: färbt die Stimme, etwa wie eine Telefonleitung, ein altes Radio oder ein Roboter.
- Entfernung: bewegt die sprechende Person vom Mikrofon weg.
- Umgebung: platziert die Stimme in einem hallenden Raum, etwa einem kleinen Zimmer oder einer Halle.
- Hintergrundgeräusche: legt eine wiederholte Atmosphäre wie ein Café oder Tastaturtippen unter die Stimme.
- Panorama: positioniert die Stimme zwischen dem linken und rechten Kanal.
Effekte sind auf den Endpunkten für Text to Speech und Text to Dialogue verfügbar, einschließlich Streaming- und zeitgestempelter Anfragen, über den Parameter audio_effects. Listen Sie verfügbare Filter-Voreinstellungen, Umgebungen und Hintergrundgeräusche im Audioeffektkatalog auf. Agents können ebenfalls einen Stimmfilter anwenden. Weitere Informationen finden Sie unter Audioumgebung. Fügen Sie in der App Effekte über den Text to Speech Playground hinzu.
Effekte ändern die Kosten einer Anfrage nicht. Hall und Panorama erzeugen Stereo-Audio und sind daher nicht mit den Mono-Ausgabeformaten pcm_*, ulaw_* und alaw_* verfügbar.
Unterstützte Ausgabeformate
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
- 8-kHz-Abtastrate
- Optimiert für Telefonieanwendungen
- A-law
- 8-kHz-Abtastrate
- 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 Preisübersicht .
Unterstützte Sprachen
Unsere mehrsprachigen v2-Modelle unterstützen 29 Sprachen:
Englisch (USA, UK, Australien, Kanada), Japanisch, Chinesisch, Deutsch, Hindi, Französisch (Frankreich, Kanada), Koreanisch, Portugiesisch (Brasilien, Portugal), Italienisch, Spanisch (Spanien, Mexiko), Indonesisch, Niederländisch, Türkisch, Filipino, Polnisch, Schwedisch, Bulgarisch, Rumänisch, Arabisch (Saudi-Arabien, VAE), Tschechisch, Griechisch, Finnisch, Kroatisch, Malaiisch, Slowakisch, Dänisch, Tamil, Ukrainisch & Russisch.
Flash v2.5 unterstützt 32 Sprachen – alle Sprachen der v2-Modelle sowie:
Ungarisch, Norwegisch & Vietnamesisch
Geben Sie einfach Text in einer unserer unterstützten Sprachen ein und wählen Sie eine passende Stimme aus unserer Stimmbibliothek. Für die natürlichsten Ergebnisse wählen Sie eine Stimme mit einem Akzent, der zu Ihrer Zielsprache und Region passt.
Prompting
Die Modelle interpretieren den emotionalen Kontext direkt aus der Texteingabe. Beschreibender Text wie „sagte sie aufgeregt“ oder Ausrufezeichen beeinflussen beispielsweise die Emotion der Sprache. Stimmeinstellungen wie Stabilität und Ähnlichkeit helfen, die Konsistenz zu steuern, während die zugrunde liegende Emotion aus textlichen Hinweisen entsteht.
Weitere Details finden Sie im Prompting-Leitfaden.
Beschreibender Text wird vom Modell gesprochen und muss bei Bedarf manuell aus dem Audio herausgeschnitten oder entfernt werden.
FAQ
Kann ich meine eigene Stimme klonen?
Ja, Sie können sofortige Stimmklone Ihrer eigenen Stimme aus kurzen Audioclips erstellen. Für hochpräzise Klone lesen Sie mehr über unser Feature zum professionellen Klonen von Stimmen .
Gehört mir die Audioausgabe?
Ja. Sie behalten das Eigentum an jedem Audio, das Sie generieren. Kommerzielle Nutzungsrechte sind jedoch nur mit kostenpflichtigen Tarifen verfügbar. Mit einem kostenpflichtigen Abonnement können Sie generiertes Audio kommerziell nutzen und die Ergebnisse monetarisieren, wenn Sie die IP-Rechte an den Eingabeinhalten besitzen.
Was gilt als kostenlose Neugenerierung?
Mit einer kostenlosen Neugenerierung können Sie denselben Text-to-Speech-Inhalt ohne zusätzliche Kosten erneut generieren, unter folgenden Bedingungen:
- Sie können jeden Inhalt bis zu zweimal kostenlos neu generieren.
- Der Inhalt muss exakt mit der vorherigen Generierung übereinstimmen. Änderungen am Text, an den Stimmeinstellungen oder anderen Parametern erfordern eine neue, kostenpflichtige Generierung.
Kostenlose Neugenerierungen sind nützlich, wenn die Audioausgabe leicht verzerrt ist. Laut internen Benchmarks von ElevenLabs beheben Neugenerierungen etwa die Hälfte der Qualitätsprobleme; die übrigen Probleme sind meist auf schlechte Trainingsdaten zurückzuführen.
Wie reduziere ich die Latenz für Echtzeitfälle?
Verwenden Sie die latenzarmen Flash-Modelle (Flash v2 oder v2.5), die für nahezu Echtzeit- Konversations- oder interaktive Szenarien optimiert sind. Weitere Details finden Sie in unserem Leitfaden zur Latenzoptimierung .
Warum ist meine Ausgabe manchmal inkonsistent?
Die Modelle sind nicht deterministisch. Nutzen Sie für konsistentere Ergebnisse den optionalen Parameter seed
, wobei weiterhin geringfügige
Unterschiede auftreten können.
Was ist die beste Vorgehensweise für große Textkonvertierungen?
Teilen Sie lange Texte in Segmente auf und verwenden Sie Streaming für Echtzeitwiedergabe und effiziente Verarbeitung. Um einen natürlichen Prosodiefluss zwischen Textabschnitten beizubehalten, verwenden Sie die Parameter für vorherigen/nächsten Text oder die vorherige/nächste Anfrage-ID.
Wichtige Fakten
- Determinismus: Die Ausgabe ist nicht deterministisch – verwenden Sie den Parameter
seedfür konsistentere Ergebnisse. - Audioeffekte: Fügen Sie ohne Zusatzkosten mit
audio_effectseine Filter-Voreinstellung, Entfernung, Hall, Hintergrundgeräusche oder Panorama hinzu. - Kostenlose Neugenerierungen: Bis zu zwei kostenlose Neugenerierungen pro Generierung (nur bei identischem Inhalt und denselben Parametern)
- Eigentum: Sie behalten das Eigentum an generiertem Audio; für die kommerzielle Nutzung ist ein kostenpflichtiger Tarif erforderlich.
- Anwendungsfälle mit niedriger Latenz: Verwenden Sie Flash-Modelle (
eleven_flash_v2odereleven_flash_v2_5) – siehe Leitfaden zur Latenzoptimierung. - Große Texte: Teilen Sie lange Texte in Segmente auf; verwenden Sie die Parameter
previous_text/next_text, um eine natürliche Prosodie über Textabschnitte hinweg beizubehalten.