Vai alla navigazione

Text to Speech

Scopri come trasformare il testo in audio parlato realistico con ElevenLabs.

Panoramica

L’API di ElevenLabs Text to Speech (TTS) trasforma il testo in audio realistico, con intonazione, ritmo e consapevolezza emotiva dettagliati. I nostri modelli si adattano agli indizi testuali in 32 lingue e a molteplici stili vocali e possono essere usati per:

  • Narrare campagne media e annunci globali
  • Produrre audiolibri in più lingue con interpretazioni emotive complesse
  • Trasmettere audio in tempo reale dal testo

Ascolta un esempio:

Esplora la nostra Voice Library per trovare la voce perfetta per il tuo progetto.

La Voice Library non è disponibile tramite API per gli utenti del piano gratuito.

Qualità vocale

Per le applicazioni in tempo reale, Eleven v4 Turbo e Flash v2.5 offrono una latenza ultra-bassa, mentre Multilingual v2 garantisce audio della massima qualità con un’espressività più dettagliata.

Opzioni vocali

ElevenLabs offre migliaia di voci in 32 lingue tramite diversi metodi di creazione:

Scopri di più sulle nostre opzioni vocali.

Effetti audio

Gli effetti audio elaborano il parlato generato dopo la sintesi, facendolo sembrare registrato in un luogo specifico senza modificarlo in seguito. Imposta qualsiasi combinazione di:

  • Preset 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 una base ambientale, come un caffè o la digitazione su tastiera, sotto la voce.
  • Pan: posiziona la voce tra i canali sinistro e destro.

Gli effetti sono disponibili negli endpoint Text to Speech e Text to Dialogue, incluse le richieste in streaming e con timestamp, tramite il parametro audio_effects. Elenca i preset filtro, gli ambienti e i rumori di sottofondo disponibili con il catalogo degli effetti audio. Anche gli agenti possono applicare un filtro vocale; vedi Ambiente audio. Nell’app, aggiungi 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 di 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.

Il formato di risposta predefinito è mp3, ma sono disponibili anche altri formati come pcm e ulaw.

  • MP3
    • Frequenze di campionamento: 22,05 kHz - 44,1 kHz
    • Bitrate: 32 kbps - 192 kbps
    • 22,05 kHz @ 32 kbps
    • 44,1 kHz @ 32 kbps, 64 kbps, 96 kbps, 128 kbps, 192 kbps
  • PCM (S16LE)
    • Frequenze di campionamento: 16 kHz - 44,1 kHz
    • Bitrate: 8 kHz, 16 kHz, 22,05 kHz, 24 kHz, 44,1 kHz, 48 kHz
    • Profondità a 16 bit
  • μ-law
    • Frequenza di campionamento di 8 kHz
    • Ottimizzato per applicazioni di telefonia
  • A-law
    • Frequenza di campionamento di 8 kHz
    • Ottimizzato per applicazioni di telefonia
  • Opus
    • Frequenza di campionamento: 48 kHz
    • Bitrate: 32 kbps - 192 kbps

Le opzioni audio di qualità superiore sono disponibili esclusivamente nei piani a pagamento. Per i dettagli, consulta la nostra pagina dei prezzi.

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 semplicemente il testo in una delle lingue supportate e seleziona una voce corrispondente dalla nostra Voice Library. Per ottenere risultati più naturali, scegli una voce con un accento adatto alla lingua e alla regione di destinazione.

Prompt

I modelli interpretano direttamente il contesto emotivo dall’input testuale. Ad esempio, l’aggiunta di testo descrittivo come “disse con entusiasmo” o l’uso di punti esclamativi influenzerà l’emozione nel parlato. Impostazioni vocali come Stabilità e Somiglianza aiutano a controllare la coerenza, mentre l’emozione di base deriva dagli indizi testuali.

Leggi la guida ai prompt per maggiori dettagli.

Il testo descrittivo verrà pronunciato dal modello e, se necessario, dovrà essere tagliato o rimosso manualmente audio.

Domande frequenti

Sì, puoi creare cloni vocali istantanei della tua voce da brevi clip audio. Per cloni ad alta fedeltà, consulta la funzionalità di clonazione vocale professionale.

Sì. Mantieni la proprietà di qualsiasi audio generi. 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.

Una rigenerazione gratuita ti consente di rigenerare lo stesso contenuto text to speech senza costi aggiuntivi, alle seguenti condizioni:

  • Puoi rigenerare ogni contenuto gratuitamente 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 se l’output audio presenta una lieve distorsione. Secondo i benchmark interni di ElevenLabs, le rigenerazioni risolvono circa la metà dei problemi di qualità; quelli rimanenti sono solitamente dovuti a dati di addestramento scadenti.

Usa i modelli Flash a bassa latenza modelli (Flash v2 o v2.5), ottimizzati per scenari conversazionali o interattivi quasi in tempo reale. Consulta la nostra guida all’ottimizzazione della latenza per maggiori dettagli.

I modelli sono non deterministici. Per una maggiore coerenza, usa il parametro seed parametro facoltativo, anche se potrebbero comunque verificarsi lievi differenze.

Dividi il testo lungo 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 di testo precedente/successivo o ID della richiesta precedente/successiva.

Informazioni chiave

  • Determinismo: l’output è non deterministico: usa il parametro seed per risultati più coerenti
  • Effetti audio: aggiungi un preset filtro, distanza, riverbero, rumore di sottofondo o panning con audio_effects senza costi aggiuntivi
  • Rigenerazioni gratuite: fino a 2 rigenerazioni gratuite per generazione (solo con contenuto e parametri identici)
  • 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_v2 o eleven_flash_v2_5); consulta la guida all’ottimizzazione della latenza
  • Testi lunghi: dividi i testi lunghi in segmenti; usa i parametri previous_text / next_text per mantenere una prosodia naturale tra i blocchi