Text to Speech
Dowiedz się, jak zamieniać tekst w realistyczne mówione audio z ElevenLabs.
Omówienie
API ElevenLabs Text to Speech (TTS) zamienia tekst w naturalnie brzmiące 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:
- Nagrywania globalnych kampanii medialnych i reklam
- Tworzenia audiobooków w wielu językach ze złożoną ekspresją emocji
- Strumieniowania audio w czasie rzeczywistym z tekstu
Posłuchaj przykładu:
Przejrzyj naszą bibliotekę głosów, aby znaleźć idealny głos do swojego projektu.
Jakość głosu
W aplikacjach czasu rzeczywistego Eleven v4 Turbo i Flash v2.5 zapewniają bardzo niskie opóźnienia, a Multilingual v2 oferuje audio najwyższej jakości i bardziej wyrazistą ekspresję.
Opcje głosów
ElevenLabs oferuje tysiące głosów w 32 językach, dostępnych dzięki różnym metodom tworzenia:
- Biblioteka głosów z ponad 10 000 głosów udostępnionych przez społeczność
- Profesjonalne klonowanie głosu dla najwierniejszych replik
- Natychmiastowe klonowanie głosu do szybkiego odtwarzania głosu
- Voice Design do tworzenia własnych głosów na podstawie opisów tekstowych
Dowiedz się więcej o naszych opcjach głosów.
Efekty audio
Efekty audio przetwarzają wygenerowaną mowę tak, by brzmiała jak nagrana w konkretnym miejscu — bez późniejszej edycji. Ustaw dowolną kombinację:
- Ustawienie filtra: nadaje głosowi charakter, np. linii telefonicznej, starego radia lub robota.
- Odległość: oddala mówiącego od mikrofonu.
- Otoczenie: umieszcza głos w pogłosowej przestrzeni, np. małym pokoju lub sali.
- Szum tła: zapętla pod głosem dźwięki otoczenia, np. kawiarni lub pisania na klawiaturze.
- Panorama: umieszcza głos między lewym a prawym kanałem.
Efekty są dostępne w endpointach Text to Speech i Text to Dialogue, także dla żądań strumieniowanych i ze znacznikami czasu, przez parametr audio_effects. Dostępne ustawienia filtrów, otoczenia i szumy tła znajdziesz w katalogu efektów audio. Agenci mogą też zastosować 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) oraz niezerowy pan tworzą dźwięk stereo.
Żądania łączące je z monofonicznymi formatami wyjściowymi pcm_*, ulaw_* lub alaw_* są
odrzucane z błędem 400.
Obsługiwane formaty wyjściowe
Domyślny format odpowiedzi to mp3, ale dostępne są też inne formaty, np. pcm i ulaw.
- MP3
- Częstotliwości próbkowania: 22.05kHz - 44.1kHz
- Przepływności: 32kbps - 192kbps
- 22.05kHz @ 32kbps
- 44.1kHz @ 32kbps, 64kbps, 96kbps, 128kbps, 192kbps
- PCM (S16LE)
- Częstotliwości próbkowania: 16kHz - 44.1kHz
- Przepływności: 8kHz, 16kHz, 22.05kHz, 24kHz, 44.1kHz, 48kHz
- Głębia 16 bitów
- μ-law
- Częstotliwość próbkowania 8kHz
- Zoptymalizowany dla aplikacji telefonicznych
- A-law
- Częstotliwość próbkowania 8kHz
- Zoptymalizowany dla aplikacji telefonicznych
- Opus
- Częstotliwość próbkowania: 48kHz
- Przepływności: 32kbps - 192kbps
Opcje audio wyższej jakości są dostępne tylko w płatnych planach — szczegóły znajdziesz na naszej stronie z cennikiem.
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 jednym z obsługiwanych języków i wybierz pasujący głos z naszej biblioteki głosów. Aby uzyskać najbardziej naturalny efekt, wybierz głos z akcentem pasującym do języka i regionu docelowego.
Promptowanie
Modele odczytują kontekst emocjonalny bezpośrednio z tekstu wejściowego. Na przykład dodanie opisu takiego jak „powiedziała podekscytowana” albo użycie wykrzykników wpłynie na emocje w mowie. Ustawienia głosu, takie jak Stabilność i Podobieństwo, pomagają kontrolować spójność, a same emocje wynikają ze wskazówek w tekście.
Więcej informacji znajdziesz w przewodniku po promptowaniu.
Tekst opisowy zostanie wypowiedziany przez model. Jeśli nie chcesz go w nagraniu, musisz ręcznie go przyciąć lub usunąć z audio.
FAQ
Czy mogę sklonować własny głos?
Tak, możesz tworzyć natychmiastowe klony głosu własnego głosu z krótkich klipów audio. Aby uzyskać klony o wysokiej wierności, sprawdź funkcję profesjonalnego klonowania głosu.
Czy jestem właścicielem wygenerowanego audio?
Tak. Zachowujesz własność każdego wygenerowanego audio. Jednak prawa do użytku komercyjnego są dostępne tylko w płatnych planach. W ramach płatnej subskrypcji możesz używać wygenerowanego audio komercyjnie i zarabiać na wynikach, jeśli masz prawa własności intelektualnej do treści wejściowej.
Co kwalifikuje się do bezpłatnego ponownego generowania?
Bezpłatne ponowne generowanie pozwala wygenerować ponownie tę samą treść zamiany tekstu na mowę bez dodatkowych kosztów, pod tymi warunkami:
- Każdy materiał możesz wygenerować ponownie bezpłatnie 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 ponowne generowanie przydaje się, gdy w audio pojawi się lekkie zniekształcenie. Według wewnętrznych testów ElevenLabs ponowne generowanie rozwiązuje około połowę problemów z jakością, a pozostałe zwykle wynikają ze słabych danych treningowych.
Jak zmniejszyć opóźnienie w zastosowaniach czasu rzeczywistego?
Użyj modeli Flash o niskim opóźnieniu models (Flash v2 lub v2.5), zoptymalizowanych pod niemal rzeczywiste scenariusze konwersacyjne lub interaktywne. Więcej informacji znajdziesz w przewodniku po optymalizacji opóźnień.
Dlaczego wynik jest czasem niespójny?
Modele są niedeterministyczne. Aby uzyskać większą spójność, użyj opcjonalnego parametru seed, choć nadal mogą występować drobne różnice.
Jak najlepiej konwertować duże ilości tekstu?
Podziel długi tekst na segmenty i używaj strumieniowania do odtwarzania w czasie rzeczywistym oraz wydajnego przetwarzania. Aby zachować naturalny przebieg prozodii między fragmentami, uwzględnij parametry previous/next text lub previous/next request id.
Najważniejsze informacje
- Deterministyczność: Wynik jest niedeterministyczny — użyj parametru
seed, aby uzyskać bardziej spójne rezultaty - Efekty audio: Dodaj ustawienie filtra, odległość, pogłos, szum tła lub panoramę za pomocą
audio_effectsbez dodatkowych kosztów - Bezpłatne ponowne generowanie: Do 2 bezpłatnych ponownych generowań na generację (tylko ta sama treść i parametry)
- Własność: Zachowujesz własność wygenerowanego audio; użycie komercyjne wymaga płatnego planu
- Zastosowania o niskim opóźnieniu: Użyj modeli Flash (
eleven_flash_v2lubeleven_flash_v2_5) — zobacz przewodnik po optymalizacji opóźnień - Duży tekst: Podziel długi tekst na segmenty; użyj parametrów
previous_text/next_text, aby zachować naturalną prozodię między fragmentami