Text to Speech

Vue d’ensemble

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

• Narrer des campagnes média et des publicités internationales
• Produire des livres audio dans plusieurs langues avec une interprétation émotionnelle complexe
• 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.

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 qualité supérieure avec une expression plus nuancée.

Options de voix

ElevenLabs propose des milliers de voix dans 32 langues via plusieurs méthodes de création :

• Voice Library avec plus de 10 000 voix partagées par la communauté
• Clonage de voix professionnel pour des répliques d’une fidélité maximale
• Clonage de voix instantané pour reproduire rapidement une voix
• Conception de voix pour générer des voix personnalisées à partir de descriptions textuelles

En savoir plus sur nos options de voix.

Effets audio

Les effets audio post-traitent la parole générée pour lui donner l’impression d’avoir été enregistrée dans un lieu précis, sans montage ultérieur. Définissez n’importe quelle combinaison parmi :

• Préréglage de filtre : colore la voix, par exemple comme une ligne téléphonique, une vieille radio ou un robot.
• Distance : éloigne le locuteur du microphone.
• Environnement : place la voix dans un espace réverbérant, comme une petite pièce ou une salle.
• Bruit de fond : ajoute en boucle une ambiance, comme un café ou des frappes au clavier, sous la voix.
• Panoramique : positionne la voix entre les canaux gauche et droit.

Les effets sont disponibles sur les points de terminaison Text to Speech et Text to Dialogue, y compris pour les requêtes en streaming et horodatées, via le paramètre audio_effects. Répertoriez les préréglages de filtres, environnements et bruits de fond disponibles avec le catalogue des effets audio. Les agents peuvent également appliquer un filtre vocal. Consultez Environnement audio. Dans l’application, ajoutez des effets depuis le playground Text to Speech.

Les effets ne modifient pas le coût d’une requête.

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 de nos langues prises en charge et sélectionnez une voix correspondante dans notre Voice Library. Pour des résultats plus naturels, choisissez une voix dont l’accent correspond à votre langue et à votre région cibles.

Prompting

Les modèles interprètent directement le contexte émotionnel à partir du texte saisi. Par exemple, l’ajout de texte descriptif comme « elle a dit avec enthousiasme » ou l’utilisation de points d’exclamation influencera l’émotion de la parole. Les paramètres vocaux tels que la stabilité et la similarité permettent de contrôler la cohérence, tandis que l’émotion sous-jacente provient des indications textuelles.

Consultez le guide de prompting pour en savoir plus.

FAQ

Points clés

• Déterminisme : la sortie est non déterministe, utilisez le paramètre seed pour des résultats plus cohérents
• Effets audio : ajoutez sans frais supplémentaires un préréglage de filtre, de la distance, de la réverbération, un bruit de fond ou un panoramique avec audio_effects
• Régénérations gratuites : jusqu’à 2 régénérations gratuites par génération, uniquement pour le même contenu et les mêmes paramètres
• Propriété : vous restez propriétaire de l’audio généré ; l’utilisation commerciale exige un forfait payant
• Cas d’usage 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 conserver une prosodie naturelle entre les segments