Text to Speech
Découvrez comment transformer du texte en audio parlé réaliste avec ElevenLabs.
Vue d’ensemble
L’API ElevenLabs Text to Speech (TTS) transforme du texte en audio réaliste, avec une intonation, un rythme et une sensibilité émotionnelle nuancés. Nos modèles s’adaptent aux indices textuels dans 32 langues et à plusieurs styles de voix. Ils peuvent notamment :
- Narrer des campagnes média et publicitaires 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 bibliothèque de voix pour trouver la voix idéale pour votre projet.
Qualité des voix
Pour les applications en temps réel, Eleven v4 Turbo et Flash v2.5 offrent une latence ultra-faible, tandis que Multilingual v2 fournit un audio de très haute qualité avec une expression plus nuancée.
Options de voix
ElevenLabs propose des milliers de voix dans 32 langues grâce à plusieurs méthodes de création :
- Bibliothèque de voix avec plus de 10 000 voix partagées par la communauté
- Clonage de voix professionnel pour des répliques d’une fidélité optimale
- Clonage de voix instantané pour répliquer rapidement une voix
- Conception de voix pour générer des voix sur mesure à partir de descriptions textuelles
En savoir plus sur nos options de voix.
Effets audio
Les effets audio post-traitent la parole générée afin de lui donner l’impression d’avoir été enregistrée dans un lieu précis, sans retouche ultérieure. Définissez la combinaison de votre choix parmi :
- Préréglage de filtre : colore la voix, par exemple comme une ligne téléphonique, une vieille radio ou un robot.
- Distance : éloigne l’intervenant du microphone.
- Environnement : place la voix dans un espace réverbérant, tel qu’une petite pièce ou une salle.
- Bruit de fond : superpose en boucle une ambiance, telle qu’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. Consultez les préréglages de filtre, les environnements et les bruits de fond disponibles dans 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.
La réverbération (un environment_id dont le send_level est supérieur à 0) et un pan non nul produisent un audio
stéréo. Les requêtes qui les combinent aux formats de sortie mono pcm_*, ulaw_* ou alaw_* sont
rejetées avec une erreur 400.
Formats de sortie pris en charge
Le format de réponse par défaut est mp3, mais d’autres formats comme pcm et ulaw sont disponibles.
- MP3
- Fréquences d’échantillonnage : 22,05 kHz - 44,1 kHz
- Débits binaires : 32 kbps - 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 - 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 - 192 kbps
Les options audio de qualité supérieure sont réservées aux 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 de nos langues prises en charge et sélectionnez une voix correspondante dans notre bibliothèque de voix. 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 dit avec enthousiasme » ou l’utilisation de points d’exclamation influencent l’émotion de la parole. 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 plus de détails.
Le texte descriptif sera prononcé par le modèle et devra être manuellement coupé ou supprimé de l’audio si nécessaire.
FAQ
Puis-je cloner ma propre voix ?
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.
Suis-je propriétaire de l’audio généré ?
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 contenus produits si vous détenez les droits de propriété intellectuelle sur le contenu fourni en entrée.
Qu’est-ce qui donne droit à une régénération gratuite ?
Une régénération gratuite vous permet de régénérer le même contenu text-to-speech sans frais supplémentaires, sous réserve des conditions suivantes :
- Vous pouvez régénérer chaque contenu jusqu’à 2 fois gratuitement
- Le contenu doit être strictement 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 lorsqu’une légère distorsion apparaît dans 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 de mauvaise qualité.
Comment réduire la latence pour les cas d’usage en temps réel ?
Utilisez les modèles Flash à faible latence (Flash v2 ou v2.5), optimisés pour des scénarios conversationnels ou interactifs quasi en temps réel. Consultez notre guide d’optimisation de la latence pour plus de détails.
Pourquoi mon résultat est-il parfois incohérent ?
Les modèles sont non déterministes. Pour davantage de cohérence, utilisez le paramètre seed facultatif, bien que de légères différences puissent toujours survenir.
Quelle est la bonne pratique pour les conversions de textes longs ?
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 de texte précédent/suivant ou d’identifiant de requête précédent/suivant .
Points clés
- Déterminisme : le résultat est non déterministe. Utilisez le paramètre
seedpour des résultats plus cohérents - Effets audio : ajoutez sans coût supplémentaire un préréglage de filtre, de la distance, de la réverbération, du bruit de fond ou un panoramique avec
audio_effects - Régénérations gratuites : jusqu’à 2 régénérations gratuites par génération, uniquement avec le même contenu et les mêmes paramètres
- Propriété : vous conservez la propriété de l’audio généré ; une utilisation commerciale requiert un forfait payant
- Cas d’usage à faible latence : utilisez les modèles Flash (
eleven_flash_v2oueleven_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_textpour préserver une prosodie naturelle entre les segments