Text to Speech
Panoramica
L’API ElevenLabs Text to Speech (TTS) trasforma il testo in audio realistico con intonazione, ritmo e sensibilità emotiva raffinati. I nostri modelli si adattano agli indizi testuali in 32 lingue e a diversi stili vocali e possono essere usati per:
- Narrare campagne media e pubblicità globali
- Produrre audiolibri in più lingue con un’espressività emotiva complessa
- Trasmettere audio in tempo reale a partire dal testo
Ascolta un esempio:
Esplora la nostra Voice Library per trovare la voce perfetta per il tuo progetto.
Qualità vocale
Per le applicazioni in tempo reale, Flash v2.5 offre una latenza ultra bassa di 75 ms, mentre Multilingual v2 offre l’audio di qualità più elevata con un’espressività più raffinata.
Opzioni vocali
ElevenLabs offre migliaia di voci in 32 lingue tramite diversi metodi di creazione:
- Voice Library con oltre 10.000 voci condivise dalla community
- Clonazione vocale professionale per repliche della massima fedeltà
- Clonazione vocale istantanea per replicare rapidamente una voce
- Progettazione vocale per generare voci personalizzate da descrizioni testuali
Scopri di più sulle nostre opzioni vocali.
Effetti audio
Gli effetti audio elaborano il parlato generato affinché sembri registrato in un luogo specifico, senza modificarlo in seguito. Imposta qualsiasi combinazione di:
- Preset di filtro: caratterizza la voce, ad esempio come una linea telefonica, una vecchia radio o un robot.
- Distanza: allontana il parlante dal microfono.
- Ambiente: colloca la voce in uno spazio riverberante, come una stanza piccola o una sala.
- Rumore di sottofondo: riproduce in loop un sottofondo ambientale, come un caffè o la digitazione su tastiera, sotto la voce.
- Panoramica: posiziona la voce tra i canali sinistro e destro.
Gli effetti sono disponibili sugli endpoint Text to Speech e Text to Dialogue, incluse le richieste in streaming e con timestamp, tramite il parametro audio_effects. Elenca i preset di filtri, gli ambienti e i rumori di sottofondo disponibili con il catalogo degli effetti audio. Anche gli agenti possono applicare un filtro vocale; consulta Ambiente audio. Nell’app, aggiungi gli effetti dal playground Text to Speech.
Gli effetti non modificano il costo di una richiesta.
Il riverbero (un environment_id con un send_level superiore a 0) e un valore pan diverso da zero producono
audio stereo. Le richieste che li combinano con i formati di output mono pcm_*, ulaw_* o alaw_* vengono
rifiutate con un errore 400.
Formati di output supportati
Il formato di risposta predefinito è mp3, ma sono disponibili anche altri formati come pcm e ulaw.
- MP3
- Frequenze di campionamento: 22.05kHz - 44.1kHz
- Bitrate: 32kbps - 192kbps
- 22.05kHz @ 32kbps
- 44.1kHz @ 32kbps, 64kbps, 96kbps, 128kbps, 192kbps
- PCM (S16LE)
- Frequenze di campionamento: 16kHz - 44.1kHz
- Bitrate: 8kHz, 16kHz, 22.05kHz, 24kHz, 44.1kHz, 48kHz
- Profondità di 16 bit
- μ-law
- Frequenza di campionamento di 8kHz
- Ottimizzato per applicazioni di telefonia
- A-law
- Frequenza di campionamento di 8kHz
- Ottimizzato per applicazioni di telefonia
- Opus
- Frequenza di campionamento: 48kHz
- Bitrate: 32kbps - 192kbps
Le opzioni audio di qualità superiore sono disponibili solo nei piani a pagamento: consulta la nostra pagina dei prezzi per i dettagli.
Lingue supportate
I nostri modelli multilingue v2 supportano 29 lingue:
inglese (Stati Uniti, Regno Unito, Australia, Canada), giapponese, cinese, tedesco, hindi, francese (Francia, Canada), coreano, portoghese (Brasile, Portogallo), italiano, spagnolo (Spagna, Messico), indonesiano, olandese, turco, filippino, polacco, svedese, bulgaro, rumeno, arabo (Arabia Saudita, Emirati Arabi Uniti), ceco, greco, finlandese, croato, malese, slovacco, danese, tamil, ucraino e russo.
Flash v2.5 supporta 32 lingue: tutte le lingue dei modelli v2, più:
ungherese, norvegese e vietnamita
Inserisci il testo in una delle lingue supportate e seleziona una voce corrispondente dalla nostra Voice Library. Per risultati più naturali, scegli una voce con un accento adatto alla lingua e alla regione di destinazione.
Prompting
I modelli interpretano il contesto emotivo direttamente dall’input di testo. Ad esempio, aggiungere testo descrittivo come “disse eccitata” o usare punti esclamativi influenzerà l’emozione del parlato. Impostazioni vocali come Stabilità e Somiglianza aiutano a controllare la coerenza, mentre l’emozione di base deriva dagli indizi testuali.
Per maggiori dettagli, leggi la guida ai prompt.
Il testo descrittivo verrà pronunciato dal modello e, se necessario, dovrà essere tagliato o rimosso manualmente dall’ audio.
FAQ
Posso clonare la mia voce?
Sì, puoi creare cloni vocali istantanei della tua voce a partire da brevi clip audio. Per cloni ad alta fedeltà, scopri la nostra funzionalità di clonazione vocale professionale.
Possiedo l'output audio?
Sì. Mantieni la proprietà di qualsiasi audio generato. Tuttavia, i diritti di utilizzo commerciale sono disponibili solo con i piani a pagamento. Con un abbonamento a pagamento, puoi usare l’audio generato per scopi commerciali e monetizzare gli output se possiedi i diritti di proprietà intellettuale sui contenuti di input.
Cosa si intende per rigenerazione gratuita?
Una rigenerazione gratuita ti consente di rigenerare lo stesso contenuto Text to Speech senza costi aggiuntivi, alle seguenti condizioni:
- Puoi rigenerare gratuitamente ogni contenuto fino a 2 volte
- Il contenuto deve essere esattamente uguale alla generazione precedente. Qualsiasi modifica al testo, alle impostazioni vocali o ad altri parametri richiederà una nuova generazione a pagamento
Le rigenerazioni gratuite sono utili in caso di lieve distorsione nell’output audio. Secondo i benchmark interni di ElevenLabs, le rigenerazioni risolvono circa la metà dei problemi di qualità, mentre quelli rimanenti sono solitamente dovuti a dati di addestramento di scarsa qualità.
Come posso ridurre la latenza per i casi in tempo reale?
Usa i modelli Flash a bassa latenza (Flash v2 o v2.5), ottimizzati per scenari conversazionali o interattivi quasi in tempo reale. Per maggiori dettagli, consulta la nostra guida all’ottimizzazione della latenza.
Perché l'output a volte è incoerente?
I modelli non sono deterministici. Per una maggiore coerenza, usa il parametro facoltativo seed parameter, anche se potrebbero comunque verificarsi lievi differenze.
Qual è la procedura consigliata per conversioni di testi lunghi?
Suddividi i testi lunghi in segmenti e usa lo streaming per una riproduzione in tempo reale e un’elaborazione efficiente. Per mantenere un flusso prosodico naturale tra i blocchi, includi i parametri previous/next text o previous/next request id.
Informazioni principali
- Determinismo: L’output non è deterministico — usa il parametro
seedper risultati più coerenti - Effetti audio: Aggiungi un preset di filtro, distanza, riverbero, rumore di sottofondo o panoramica con
audio_effectssenza costi aggiuntivi - Rigenerazioni gratuite: Fino a 2 rigenerazioni gratuite per generazione (solo stesso contenuto e parametri)
- Proprietà: Mantieni la proprietà dell’audio generato; l’uso commerciale richiede un piano a pagamento
- Casi d’uso a bassa latenza: Usa i modelli Flash (
eleven_flash_v2oeleven_flash_v2_5) — consulta la guida all’ottimizzazione della latenza - Testi lunghi: Suddividi i testi lunghi in segmenti; usa i parametri
previous_text/next_textper mantenere una prosodia naturale tra i blocchi