Fonctionnalités

Text to Speech

Découvrez comment transformer du texte en audio parlé réaliste avec ElevenLabs.

Présentation

L’API ElevenLabs Text to Speech (TTS) transforme le texte en audio réaliste avec une intonation, un rythme et une conscience émotionnelle nuancés. Nos modèles s’adaptent aux indices textuels dans 32 langues et à de multiples styles vocaux, et permettent de :

  • Narrer des campagnes média et publicitaires internationales
  • Produire des livres audio dans plusieurs langues avec des interprétations émotionnelles complexes
  • Diffuser de l’audio en temps réel à partir de texte

Écoutez un exemple :

Explorez notre Voice Library pour trouver la voix idéale pour votre projet.

La Voice Library n’est pas accessible via l’API pour les utilisateurs du forfait gratuit.
Produits

Guide pas à pas pour utiliser la synthèse vocale dans ElevenLabs.

Développeurs

Découvrez comment intégrer la synthèse vocale à votre application.

Guide de l’API

Guide complet de l’API pour le point de terminaison Text to Speech.

MCP

Générez de la parole depuis Claude ou tout client MCP avec le serveur MCP hébergé.

Eleven v4

Découvrez les changements d’Eleven v4, avec des comparaisons de clonage de voix.

Qualité vocale

Pour les applications en temps réel, Flash v2.5 offre une latence ultra-faible de 75 ms, tandis que Multilingual v2 fournit un audio de la plus haute qualité avec une expression plus nuancée.

Eleven v4

Notre modèle de synthèse vocale le plus expressif et de haute qualité

Capacités exceptionnelles de clonage de voix
Plus de 90 langues prises en charge
Limite de 10 000 caractères
Prise en charge des dialogues naturels entre plusieurs locuteurs
Eleven v4 Turbo

Notre modèle de synthèse vocale en temps réel le plus expressif

Latence ultra-faible (latence d’inférence médiane d’environ 100 ms†)
Capacités exceptionnelles de clonage de voix
Plus de 90 langues prises en charge
Balises audio pour un contrôle précis
Eleven v3

Notre modèle de synthèse vocale expressif et riche en émotions

Interprétation et rendu dramatiques
Plus de 70 langues prises en charge
Limite de 5 000 caractères
Prise en charge des dialogues naturels entre plusieurs locuteurs
Eleven v3 Conversational

Notre modèle de synthèse vocale expressif en temps réel

Faible latence (~280 ms)
Interprétation et rendu dramatiques
Plus de 70 langues prises en charge
Balises audio pour un contrôle précis
Eleven Multilingual v2

Modèle de synthèse vocale offrant une qualité réaliste et constante

Rendu naturel
29 langues prises en charge
Limite de 10 000 caractères
Le plus stable pour les générations longues
Eleven Flash v2.5

Notre modèle de synthèse vocale rapide et abordable

Latence ultra-faible (~75 ms†)
32 langues prises en charge
Limite de 40 000 caractères
Modèle plus rapide, prix par caractère inférieur de 50 % pour les générations par API

Options de voix

ElevenLabs propose des milliers de voix dans 32 langues, créées par différentes méthodes :

En savoir plus sur nos options de voix.

Le format de réponse par défaut est mp3, mais d’autres formats, tels que pcm et ulaw, sont disponibles.

  • MP3
    • Fréquences d’échantillonnage : 22,05 kHz à 44,1 kHz
    • Débits binaires : 32 kbps à 192 kbps
    • 22,05 kHz à 32 kbps
    • 44,1 kHz à 32 kbps, 64 kbps, 96 kbps, 128 kbps, 192 kbps
  • PCM (S16LE)
    • Fréquences d’échantillonnage : 16 kHz à 44,1 kHz
    • Débits binaires : 8 kHz, 16 kHz, 22,05 kHz, 24 kHz, 44,1 kHz, 48 kHz
    • Profondeur de 16 bits
  • μ-law
    • Fréquence d’échantillonnage de 8 kHz
    • Optimisé pour les applications de téléphonie
  • A-law
    • Fréquence d’échantillonnage de 8 kHz
    • Optimisé pour les applications de téléphonie
  • Opus
    • Fréquence d’échantillonnage : 48 kHz
    • Débits binaires : 32 kbps à 192 kbps

Les options audio de qualité supérieure sont disponibles uniquement avec les forfaits payants. Consultez notre page des tarifs pour en savoir plus.

Langues prises en charge

Nos modèles multilingues v2 prennent en charge 29 langues :

Anglais (États-Unis, Royaume-Uni, Australie, Canada), japonais, chinois, allemand, hindi, français (France, Canada), coréen, portugais (Brésil, Portugal), italien, espagnol (Espagne, Mexique), indonésien, néerlandais, turc, filipino, polonais, suédois, bulgare, roumain, arabe (Arabie saoudite, Émirats arabes unis), tchèque, grec, finnois, croate, malais, slovaque, danois, tamoul, ukrainien et russe.

Flash v2.5 prend en charge 32 langues, toutes les langues des modèles v2 ainsi que :

Hongrois, norvégien et vietnamien

Saisissez simplement du texte dans l’une des langues prises en charge et sélectionnez une voix correspondante dans notre Voice Library. Pour un résultat plus naturel, choisissez une voix dont l’accent correspond à votre langue et région cibles.

Prompting

Les modèles interprètent directement le contexte émotionnel à partir du texte saisi. Par exemple, l’ajout de texte descriptif tel que « elle dit avec enthousiasme » ou l’emploi de points d’exclamation influencent l’émotion de la voix. Les réglages vocaux tels que la stabilité et la similarité permettent de contrôler la cohérence, tandis que l’émotion sous-jacente provient des indices textuels.

Consultez le guide de prompting pour en savoir plus.

Le texte descriptif sera prononcé par le modèle et devra être coupé ou supprimé manuellement de l’audio si nécessaire.

FAQ

Oui, vous pouvez créer des clones vocaux instantanés de votre propre voix à partir de courts extraits audio. Pour des clones haute fidélité, découvrez notre fonctionnalité de clonage de voix professionnel.

Oui. Vous conservez la propriété de tout audio que vous générez. Toutefois, les droits d’utilisation commerciale sont uniquement disponibles avec les forfaits payants. Avec un abonnement payant, vous pouvez utiliser l’audio généré à des fins commerciales et monétiser les résultats si vous détenez les droits de propriété intellectuelle sur le contenu source.

Une régénération gratuite vous permet de générer à nouveau le même contenu de synthèse vocale sans frais supplémentaires, sous réserve des conditions suivantes :

  • Vous pouvez régénérer chaque contenu jusqu’à 2 fois gratuitement
  • Le contenu doit être exactement identique à la génération précédente. Toute modification du texte, des réglages vocaux ou d’autres paramètres nécessitera une nouvelle génération payante

Les régénérations gratuites sont utiles en cas de légère distorsion de l’audio généré. Selon les évaluations internes d’ElevenLabs, les régénérations résolvent environ la moitié des problèmes de qualité, les problèmes restants étant généralement dus à des données d’entraînement insuffisantes.

Utilisez les modèles Flash à faible latence (Flash v2 ou v2.5), optimisés pour des scénarios conversationnels ou interactifs quasi temps réel. Consultez notre guide d’optimisation de la latence pour en savoir plus.

Les modèles sont non déterministes. Pour plus de cohérence, utilisez le paramètre seed facultatif, bien que de légères différences puissent subsister.

Divisez les textes longs en segments et utilisez le streaming pour une lecture en temps réel et un traitement efficace. Pour préserver un flux prosodique naturel entre les segments, incluez les paramètres previous/next text ou previous/next request id.

Points clés

  • Déterminisme : le résultat est non déterministe, utilisez le paramètre seed pour des résultats plus cohérents
  • Régénérations gratuites : jusqu’à 2 régénérations gratuites par génération, uniquement pour le même contenu et les mêmes paramètres
  • Propriété : vous conservez la propriété de l’audio généré ; l’utilisation commerciale nécessite un forfait payant
  • Cas d’utilisation à faible latence : utilisez les modèles Flash (eleven_flash_v2 ou eleven_flash_v2_5), consultez le guide d’optimisation de la latence
  • Textes longs : divisez les textes longs en segments ; utilisez les paramètres previous_text / next_text pour préserver une prosodie naturelle entre les segments