Przejdź do nawigacji
Możliwości

Text to Speech

Dowiedz się, jak zamieniać tekst w realistyczne audio mówione z ElevenLabs.

Przegląd

Interfejs API ElevenLabs Text to Speech (TTS) zamienia tekst w realistyczne audio z niuansami intonacji, tempa i emocji. Nasze modele dostosowują się do wskazówek w tekście w 32 językach i wielu stylach głosu. Możesz ich używać do:

  • Narracji globalnych kampanii medialnych i reklam
  • Produkcji audiobooków w wielu językach ze złożoną ekspresją emocjonalną
  • Strumieniowania audio w czasie rzeczywistym z tekstu

Posłuchaj przykładu:

Odkryj naszą bibliotekę głosów, aby znaleźć idealny głos do swojego projektu.

Biblioteka głosów nie jest dostępna przez API dla użytkowników bezpłatnego planu.
Produkty

Przewodnik krok po kroku po zamianie tekstu na mowę w ElevenLabs.

Deweloperzy

Dowiedz się, jak zintegrować zamianę tekstu na mowę z aplikacją.

Dokumentacja API

Pełna dokumentacja API punktu końcowego Text to Speech.

MCP

Generuj mowę z Claude lub dowolnego klienta MCP za pomocą hostowanego serwera MCP.

Eleven v4

Co zmieniło się w Eleven v4, wraz z porównaniami klonowania głosu.

Jakość głosu

W aplikacjach czasu rzeczywistego Flash v2.5 zapewnia ultraniskie opóźnienie 75 ms, a Multilingual v2 oferuje audio najwyższej jakości z bardziej niuansową ekspresją.

Eleven v4

Nasz najbardziej emocjonalny model syntezy mowy o najwyższej jakości

Wyjątkowe możliwości klonowania głosu
Obsługa ponad 90 języków
Limit 10 000 znaków
Obsługa naturalnych dialogów wielu mówców
Eleven v4 Turbo

Nasz najbardziej emocjonalny model syntezy mowy w czasie rzeczywistym

Bardzo niskie opóźnienie (mediana opóźnienia inferencji ~100ms†)
Wyjątkowe możliwości klonowania głosu
Obsługa ponad 90 języków
Tagi audio zapewniające precyzyjną kontrolę
Eleven v3

Nasz ekspresyjny model syntezy mowy bogaty w emocje

Dramatyczna interpretacja i wykonanie
Obsługa ponad 70 języków
Limit 5000 znaków
Obsługa naturalnych dialogów wielu mówców
Eleven v3 Conversational

Nasz ekspresyjny model syntezy mowy w czasie rzeczywistym

Niskie opóźnienie (~280ms)
Dramatyczna interpretacja i wykonanie
Obsługa ponad 70 języków
Tagi audio zapewniające precyzyjną kontrolę
Eleven Multilingual v2

Model syntezy mowy o naturalnym brzmieniu i stałej jakości

Naturalnie brzmiące nagrania
Obsługa 29 języków
Limit 10 000 znaków
Najbardziej stabilny przy długich generacjach
Eleven Flash v2.5

Nasz szybki, przystępny cenowo model syntezy mowy

Bardzo niskie opóźnienie (~75ms†)
Obsługa 32 języków
Limit 40 000 znaków
Szybszy model, cena za znak dla generacji API niższa o 50%

Opcje głosów

ElevenLabs oferuje tysiące głosów w 32 językach, tworzonych na różne sposoby:

Dowiedz się więcej o naszych opcjach głosów.

Efekty audio

Efekty audio przetwarzają wygenerowaną mowę tak, by brzmiała, jakby nagrano ją w konkretnym miejscu, bez późniejszej edycji. Ustaw dowolną kombinację:

  • Gotowy filtr: nadaje głosowi charakter, na przykład linii telefonicznej, starego radia lub robota.
  • Odległość: oddala mówcę od mikrofonu.
  • Środowisko: umieszcza głos w pogłosowej przestrzeni, na przykład małym pokoju lub sali.
  • Szum tła: zapętla pod głosem dźwięk otoczenia, na przykład kawiarni lub pisania na klawiaturze.
  • Panorama: ustawia głos między lewym a prawym kanałem.

Efekty są dostępne w punktach końcowych Text to Speech i Text to Dialogue, także w żądaniach strumieniowych i ze znacznikami czasu, za pomocą parametru audio_effects. Dostępne gotowe filtry, środowiska i szumy tła znajdziesz w katalogu efektów audio. Agenci mogą też stosować filtr głosu; zobacz Środowisko audio. W aplikacji dodasz efekty w playgroundzie Text to Speech.

Efekty nie zmieniają kosztu żądania.

Pogłos (environment_id z send_level powyżej 0) i niezerowa wartość pan tworzą stereo. Żądania łączące je z monofonicznymi formatami wyjściowymi pcm_*, ulaw_* lub alaw_* są odrzucane z błędem 400.

Domyślny format odpowiedzi to mp3, ale dostępne są też inne formaty, takie jak pcm i ulaw.

  • MP3
    • Częstotliwości próbkowania: 22,05 kHz–44,1 kHz
    • Przepływności: 32 kb/s–192 kb/s
    • 22,05 kHz @ 32 kb/s
    • 44,1 kHz @ 32 kb/s, 64 kb/s, 96 kb/s, 128 kb/s, 192 kb/s
  • PCM (S16LE)
    • Częstotliwości próbkowania: 16 kHz–44,1 kHz
    • Przepływności: 8 kHz, 16 kHz, 22,05 kHz, 24 kHz, 44,1 kHz, 48 kHz
    • Głębia 16 bitów
  • μ-law
    • Częstotliwość próbkowania 8 kHz
    • Zoptymalizowany pod kątem aplikacji telefonicznych
  • A-law
    • Częstotliwość próbkowania 8 kHz
    • Zoptymalizowany pod kątem aplikacji telefonicznych
  • Opus
    • Częstotliwość próbkowania: 48 kHz
    • Przepływności: 32 kb/s–192 kb/s

Opcje audio wyższej jakości są dostępne tylko w płatnych planach — szczegóły znajdziesz na stronie cen.

Obsługiwane języki

Nasze wielojęzyczne modele v2 obsługują 29 języków:

angielski (USA, Wielka Brytania, Australia, Kanada), japoński, chiński, niemiecki, hindi, francuski (Francja, Kanada), koreański, portugalski (Brazylia, Portugalia), włoski, hiszpański (Hiszpania, Meksyk), indonezyjski, niderlandzki, turecki, filipiński, polski, szwedzki, bułgarski, rumuński, arabski (Arabia Saudyjska, ZEA), czeski, grecki, fiński, chorwacki, malajski, słowacki, duński, tamilski, ukraiński i rosyjski.

Flash v2.5 obsługuje 32 języki — wszystkie języki z modeli v2 oraz:

węgierski, norweski i wietnamski

Po prostu wpisz tekst w dowolnym z obsługiwanych języków i wybierz pasujący głos z naszej biblioteki głosów. Aby uzyskać jak najbardziej naturalny efekt, wybierz głos z akcentem pasującym do języka i regionu docelowego.

Prompty

Modele bezpośrednio interpretują kontekst emocjonalny z tekstu wejściowego. Na przykład dodanie opisu, takiego jak „powiedziała podekscytowana”, lub użycie wykrzykników wpłynie na emocje w mowie. Ustawienia głosu, takie jak stabilność i podobieństwo, pomagają kontrolować spójność, a same emocje wynikają z wskazówek w tekście.

Więcej informacji znajdziesz w przewodniku po promptach.

Model wypowie opisowy tekst, dlatego w razie potrzeby trzeba go ręcznie przyciąć lub usunąć z audio.

FAQ

Tak, możesz tworzyć natychmiastowe klony głosu własnego głosu na podstawie krótkich klipów audio. Aby uzyskać klony najwyższej jakości, sprawdź funkcję profesjonalnego klonowania głosu.

Tak. Zachowujesz własność każdego wygenerowanego audio. Prawa do użytku komercyjnego są jednak dostępne tylko w płatnych planach. W ramach płatnej subskrypcji możesz używać wygenerowanego audio w celach komercyjnych i monetyzować wyniki, jeśli masz prawa własności intelektualnej do treści wejściowej.

Bezpłatna regeneracja pozwala ponownie wygenerować tę samą treść zamiany tekstu na mowę bez dodatkowych kosztów, pod warunkiem że:

  • Możesz bezpłatnie regenerować każdy fragment treści maksymalnie 2 razy
  • Treść musi być dokładnie taka sama jak w poprzedniej generacji. Każda zmiana tekstu, ustawień głosu lub innych parametrów wymaga nowej, płatnej generacji

Bezpłatne regeneracje przydają się, gdy w wyjściowym audio występuje niewielkie zniekształcenie. Według wewnętrznych testów ElevenLabs regeneracje rozwiązują około połowy problemów z jakością, a pozostałe zwykle wynikają ze słabych danych treningowych.

Użyj modeli Flash o niskim opóźnieniu models (Flash v2 lub v2.5), zoptymalizowanych pod kątem niemal rzeczywistych scenariuszy konwersacyjnych lub interaktywnych. Więcej informacji znajdziesz w przewodniku po optymalizacji opóźnień.

Modele są niedeterministyczne. Aby uzyskać większą spójność, użyj opcjonalnego parametru seed, choć nadal mogą występować drobne różnice.

Podziel długi tekst na fragmenty i użyj strumieniowania do odtwarzania w czasie rzeczywistym oraz wydajnego przetwarzania. Aby zachować naturalną prozodię między fragmentami, uwzględnij poprzedni/następny tekst lub poprzedni/następny parametr identyfikatora żądania.

Kluczowe informacje

  • Deterministyczność: Wynik jest niedeterministyczny — użyj parametru seed, aby uzyskać większą spójność
  • Efekty audio: Dodaj gotowy filtr, odległość, pogłos, szum tła lub panoramę za pomocą audio_effects bez dodatkowych kosztów
  • Bezpłatne regeneracje: Maksymalnie 2 bezpłatne regeneracje na generację (tylko ta sama treść i parametry)
  • Własność: Zachowujesz własność wygenerowanego audio; użytek komercyjny wymaga płatnego planu
  • Zastosowania z niskim opóźnieniem: Użyj modeli Flash (eleven_flash_v2 lub eleven_flash_v2_5) — zobacz przewodnik po optymalizacji opóźnień
  • Długie teksty: Podziel długi tekst na fragmenty; użyj parametrów previous_text / next_text, aby zachować naturalną prozodię między fragmentami