Text to Speech
Überblick
Die Text to Speech (TTS)-API von ElevenLabs wandelt Text in lebensechtes Audio mit nuancierter Intonation, natürlichem Sprechtempo und emotionalem Verständnis um. Unsere Modelle passen sich Textsignalen 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 ein Beispiel:
Entdecken Sie unsere Stimmbibliothek, um die passende Stimme für Ihr Projekt zu finden.
Stimmqualität
Für Echtzeitanwendungen bieten Eleven v4 Turbo und Flash v2.5 extrem niedrige Latenz, während Multilingual v2 Audio in höchster Qualität mit nuancierterem Ausdruck liefert.
Stimmoptionen
ElevenLabs bietet Tausende Stimmen in 32 Sprachen über verschiedene Erstellungsmethoden:
- Stimmbibliothek mit über 10.000 von der Community geteilten Stimmen
- Professionelles Klonen von Stimmen für Repliken mit höchster Genauigkeit
- Sofortiges Klonen von Stimmen für schnelle Stimmreplikation
- Stimmgestaltung, um individuelle Stimmen aus Textbeschreibungen zu erstellen
Erfahren Sie mehr über unsere Stimmoptionen.
Audioeffekte
Audioeffekte bearbeiten generierte Sprache nach, sodass sie klingt, als wäre sie an einem bestimmten Ort aufgenommen worden – ohne sie anschließend bearbeiten zu müssen. Legen Sie eine beliebige Kombination fest:
- Filtervoreinstellung: Färbt die Stimme, etwa wie über eine Telefonleitung, ein altes Radio oder ein Roboter.
- Entfernung: Rückt den Sprecher vom Mikrofon weg.
- Umgebung: Platziert die Stimme in einem hallenden Raum, etwa einem kleinen Zimmer oder einer Halle.
- Hintergrundgeräusch: Legt eine Umgebungskulisse wie ein Café oder Tastaturtippen unter die Stimme.
- Panorama: Positioniert die Stimme zwischen dem linken und rechten Kanal.
Effekte sind für die Endpunkte Text to Speech und Text to Dialogue verfügbar, einschließlich Streaming- und zeitgestempelter Anfragen, über den Parameter audio_effects. Listen Sie verfügbare Filtervoreinstellungen, Umgebungen und Hintergrundgeräusche im Katalog für Audioeffekte auf. Agents können ebenfalls einen Sprachfilter anwenden; siehe Audioumgebung. Fügen Sie in der App Effekte über den Text to Speech-Playground hinzu.
Effekte ändern die Kosten einer Anfrage nicht.
Hall (eine environment_id mit einem send_level über 0) und ein von null abweichender pan erzeugen Stereo-
Audio. Anfragen, die dies mit den Mono-Ausgabeformaten pcm_*, ulaw_* oder alaw_* kombinieren, werden
mit einem Fehler 400 abgelehnt.
Unterstützte Ausgabeformate
Das Standardantwortformat 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 von 8 kHz
- Optimiert für Telefonieanwendungen
- A-law
- Abtastrate von 8 kHz
- Optimiert für Telefonieanwendungen
- Opus
- Abtastrate: 48 kHz
- Bitraten: 32 kbps – 192 kbps
Audiooptionen höherer Qualität sind nur in kostenpflichtigen Tarifen verfügbar – Details finden Sie auf unserer Preisseite .
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 emotionalen Kontext direkt aus der Texteingabe. Beispielsweise beeinflussen beschreibende Texte wie „sagte sie aufgeregt“ oder Ausrufezeichen die Emotion der Sprache. Stimmeinstellungen wie Stabilität und Ähnlichkeit helfen, die Konsistenz zu steuern, während die zugrunde liegende Emotion aus Textsignalen entsteht.
Weitere Details finden Sie im Prompting-Leitfaden.
Beschreibender Text wird vom Modell gesprochen und muss bei Bedarf manuell aus dem Audio gekürzt oder entfernt werden.
FAQ
Kann ich meine eigene Stimme klonen?
Ja, Sie können aus kurzen Audioclips sofortige Klone Ihrer eigenen Stimme erstellen. Für hochpräzise Klone sehen Sie sich unsere Funktion zum professionellen Klonen von Stimmen an.
Besitze ich die Audioausgabe?
Ja. Sie behalten das Eigentum an jedem von Ihnen generierten Audio. 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?
Eine kostenlose Neugenerierung ermöglicht es Ihnen, denselben Text-to-Speech-Inhalt ohne zusätzliche Kosten erneut zu generieren, unter folgenden Bedingungen:
- Sie können jeden Inhalt bis zu 2-mal kostenlos neu generieren
- Der Inhalt muss exakt mit der vorherigen Generierung übereinstimmen. Änderungen an Text, Stimmeinstellungen oder anderen Parametern erfordern eine neue, kostenpflichtige Generierung
Kostenlose Neugenerierungen sind nützlich, falls die Audioausgabe leicht verzerrt ist. Laut internen Benchmarks von ElevenLabs lösen Neugenerierungen etwa die Hälfte der Qualitätsprobleme; verbleibende Probleme sind meist auf schlechte Trainingsdaten zurückzuführen.
Wie reduziere ich die Latenz für Echtzeitfälle?
Nutzen Sie die für nahezu Echtzeit-Konversations- oder interaktive Szenarien optimierten Flash-Modelle mit niedriger Latenz (Flash v2 oder v2.5). Weitere Details finden Sie in unserem Leitfaden zur Latenzoptimierung.
Warum ist meine Ausgabe manchmal inkonsistent?
Die Modelle sind nicht deterministisch. Für konsistentere Ergebnisse verwenden Sie den optionalen Parameter seed, obwohl weiterhin subtile Unterschiede auftreten können.
Was ist die beste Vorgehensweise für große Textumwandlungen?
Teilen Sie lange Texte in Segmente auf und verwenden Sie Streaming für Echtzeitwiedergabe und effiziente Verarbeitung. Um den natürlichen Prosodiefluss zwischen Abschnitten zu erhalten, schließen Sie Parameter für vorherigen/nächsten Text oder vorherige/nächste Anfrage-ID ein.
Wichtige Fakten
- Determinismus: Die Ausgabe ist nicht deterministisch – verwenden Sie den Parameter
seedfür konsistentere Ergebnisse - Audioeffekte: Fügen Sie mit
audio_effectsohne Zusatzkosten eine Filtervoreinstellung, Entfernung, Hall, Hintergrundgeräusche oder Panorama hinzu - Kostenlose Neugenerierungen: Bis zu 2 kostenlose Neugenerierungen pro Generierung (nur bei gleichen Inhalten und Parametern)
- Eigentum: Sie behalten das Eigentum an generiertem Audio; die kommerzielle Nutzung erfordert einen kostenpflichtigen Tarif
- 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 Abschnitte hinweg zu erhalten