Voice Design

Översikt

Voice Design hjälper kreatörer att fylla luckorna när den exakta röst de söker inte finns i Voice Library. Om du inte hittar en passande röst för ditt projekt kan du skapa en. Voice Design passar bäst för snabb utforskning och iteration, och kvaliteten på resultatet kan variera beroende på din prompt och användning. Om du behöver den mest konsekventa, produktionsklara kvaliteten är Professional Voice Clones (PVC) just nu rösterna med högst kvalitet på vår plattform. Om det finns en PVC i vårt bibliotek som passar dina behov rekommenderar vi därför att du använder den i stället.

Du hittar Voice Design genom att gå till Voices -> My Voices -> Add a new voice -> Voice Design i ElevenLabs-appen eller via API:et.

När du klickar på generera skapar vi tre röstalternativ åt dig. Den enda kostnaden för att använda Voice Design är antalet krediter för att generera din förhandsvisningstext. Du debiteras bara en gång, även om vi genererar tre prover åt dig. Du ser hur många tecken som dras av i textrutan “Text to preview”.

Efter genereringen kan du välja och spara en av versionerna, vilket använder en av dina röstplatser.

Guide till promptar

Prompten är grunden för din röst. Den berättar för modellen vilken typ av röst du försöker skapa — allt från accent och karaktärstyp till röstens kön och känsla. En välformulerad prompt kan vara skillnaden mellan en generisk röst och en som verkligen passar din vision. Generellt ger mer beskrivande och detaljerade promptar ofta mer träffsäkra och nyanserade resultat. Ju mer information du ger — inklusive ålder, kön, ton, accent, tempo, känsla, stil med mera — desto bättre kan modellen tolka och skapa en röst som känns genomtänkt och skräddarsydd.

Ibland kan dock korta och enkla promptar också fungera, särskilt om du vill ha en mer neutral eller brett användbar röst. Exempelvis kan ”En lugn manlig berättare” ge dig precis det du behöver utan att gå in på detaljer — särskilt om du inte försöker skapa en mycket specifik karaktär eller stil. Rätt detaljnivå beror på hur du ska använda rösten. Skapar du en fantasykaraktär? En virtuell assistent? En trött New York-bo i 60-årsåldern med torr humor? Ju tydligare du definierar det i din prompt, desto närmare kommer resultatet det du föreställer dig.

Rekommenderat promptformat

För konsekventa resultat kan du strukturera din prompt med det här formatet:

Native <Language>. <Gender>, <Age range>. <Quality level>.
Persona: <2–5 words>. Emotion: <2–3 adjectives>.
<1–2 sentences about timbre, pacing, delivery>

Exempel:

Spanska som modersmål, europeisk spanska (utan drag av latinamerikansk spanska). Kvinna, 35–40 år. Okej kvalitet. Personlighet: pålitlig supportmedarbetare. Känsla: lugnande, uppmärksam, självsäker. Mjuk, naturlig klang med varsam intonation, närhet till mikrofonen och en brusfri signal. Ger uppdateringar i ett avslappnat tempo med tydlig betoning på hjälpsam information och utstrålar empati och professionalism.

Vanliga fallgropar att undvika

• Använd inte ”accent” när du menar intonation — det kan utlösa oönskade dialektskiften. Beskriv i stället intonation, betoning eller sättet att tala.
• Undvik FX-ord — termer som ”reverb”, ”echo”, ”phone” eller ”tape” kan påverka kvaliteten på resultatet negativt.
• Var tydlig med språk och dialekt — ange alltid språk och regional variant i första meningen för att förhindra att rösten glider iväg.

Ljudkvalitet

Ljudkvalitet avser tydligheten, renheten och den övergripande återgivningen hos den genererade rösten. Som standard strävar ElevenLabs efter att skapa rent och naturligt ljud — men om ditt projekt kräver en viss kvalitetsnivå är det bäst att uttryckligen ange den i din prompt.

För resultat av hög kvalitet kan du hjälpa modellen genom att lägga till en fras som ”perfekt ljudkvalitet” eller ”inspelning i studiokvalitet” i din röstbeskrivning. Det hjälper till att säkerställa att rösten återges med maximal tydlighet, minimal distorsion och en professionell finish.

Du kan också använda specifika kvalitetsbeskrivningar som ger konsekventa resultat:

• Okej kvalitet
• Bra kvalitet
• Mycket bra kvalitet
• Utmärkt kvalitet
• Studiokvalitet
• Sändningskvalitet

Dessa beskrivningar bidrar till högsta möjliga ljudkvalitet när de ingår i din prompt.

Det kan också finnas kreativa fall där lägre ljudkvalitet är avsiktlig, exempelvis när du vill simulera ett telefonsamtal, en gammal radiosändning eller upphittat filmmaterial. I de situationerna kan du antingen utelämna kvalitetsbeskrivningar helt eller uttryckligen lägga till fraser som:

• ”Ljud med låg återgivningskvalitet”
• ”Dålig ljudkvalitet”
• ”Låter som ett röstmeddelande”
• ”Dovt och avlägset, som från en gammal bandspelare”

Var du placerar den här frasen i prompten är flexibelt — den kan stå i början eller slutet, och vi har sett att båda fungerar bra.

Ålder, ton/klang och kön

Dessa tre egenskaper är grunden i Voice Design och formar röstens övergripande identitet och känslomässiga uttryck. Ju mer information du ger, desto lättare är det för AI:n att skapa en röst som passar din kreativa vision — oavsett om du bygger en trovärdig karaktär, skapar en fängslande berättare eller utformar en virtuell assistent.

Ålder

Att beskriva röstens upplevda ålder hjälper till att definiera dess mognad, rösttextur och energi. Använd specifika termer för att vägleda AI:n mot rätt röstkvalitet.

Användbara beskrivningar:

• ”Gammal man” / ”gammal kvinna”
• ”Ung vuxen” / ”i 20-årsåldern” / ”tidiga 30-årsåldern”
• ”Medelålders man” / ”kvinna i 40-årsåldern”
• ”Äldre man” / ”äldre kvinna” / ”man i 80-årsåldern”

Ton/klang

Avser röstens fysiska kvalitet, som formas av tonhöjd, resonans och rösttextur. Det skiljer sig från känslomässigt framförande eller attityd.

Vanliga beskrivningar av ton/klang:

• ”Djup” / ”lågmäld”
• ”Mjuk” / ”fyllig”
• ”Grov” / ”hes”
• ”Nasal” / ”gäll”
• ”Luftig” / ”andfådd”
• ”Kraftfull” / ”resonant”
• ”Ljus” / ”tunn”
• ”Varm” / ”mild”
• ”Burkig” / ”metallisk”

Kön

Kön påverkar ofta tonhöjd, röstens tyngd och klang — men du kan gå bortom enkla kategorier genom att beskriva ljudet i stället för identiteten.

Exempel:

• ”En mörk, hes kvinnoröst”
• ”En maskulin mansröst, djup och resonant”
• ”Ett neutralt kön — mjuk och medelhög tonhöjd”

Accent

Accent spelar en avgörande roll för att definiera en rösts regionala, kulturella och känslomässiga identitet. Om ditt projekt är beroende av ett autentiskt ljud — oavsett om det grundas i realism eller stiliseras för en karaktär — är det viktigt att vara tydlig och medveten om den önskade accenten.

Valet av formulering spelar roll — vissa termer tenderar att ge mer konsekventa resultat. Till exempel ger ”thick” ofta bättre resultat än ”strong” när du beskriver hur framträdande en accent ska vara. Det finns mycket att prova sig fram med, och vi uppmuntrar dig att experimentera med formuleringarna och vara så kreativ och beskrivande som möjligt.

• Exempel på tydliga accentpromptar:
  • ”En medelålders man med en tydlig fransk accent”
  • ”En ung kvinna med en lätt sydstatsdialekt”
  • ”En gammal man med en kraftig östeuropeisk accent”
  • ”En glad kvinna som talar med en tydlig brittisk accent”
  • ”En yngre man med en mjuk irländsk klang”
  • ”En auktoritativ röst med en neutral amerikansk accent”
  • ”En man med regional australisk accent, avslappnad och nasal”

Undvik alltför vaga beskrivningar som ”foreign” eller ”exotic” — de är oprecisa och kan ge inkonsekventa resultat.

Kombinera accent med andra egenskaper som ton, ålder eller tempo för bättre kontroll. Till exempel: ”En sarkastisk gammal kvinna med en tydlig New York-accent som talar långsamt.”

För fantasy- eller fiktiva röster kan du föreslå verkliga accenter som inspiration:

• ”En alv med en proper, tydlig brittisk accent. Han är kunglig och lyrisk.”
• ”En goblin med en hes östeuropeisk accent.”

Tempo

Tempo avser den hastighet och rytm som en röst talar med. Det är en viktig del av att forma röstens personlighet, känslomässiga ton och tydlighet. Att vara tydlig med tempot är särskilt viktigt när du utformar röster för specifika användningsområden som berättande, reklam, karaktärsdialog eller instruktionsinnehåll.

Använd tydligt språk för att beskriva hur snabbt eller långsamt rösten ska tala. Du kan också beskriva hur tempot känns — om det är jämnt, ryckigt, medvetet eller lättsamt. Om tempot förändras bör du ange var och varför.

Exempel på beskrivningar av tempo:

• ”Talar snabbt” / ”i högt tempo”
• ”I normalt tempo” / ”talar normalt”
• ”Talar långsamt” / ”med långsam rytm”
• ”Medvetet och avvägt tempo”
• ”Utdraget, som om varje ord avnjuts”
• ”Med stressig rytm, som om personen har bråttom”
• ”Avslappnat och samtalsmässigt tempo”
• ”Rytmiskt och musikaliskt tempo”
• ”Ryckigt tempo, med plötsliga pauser och utbrott”
• ”Jämnt tempo, med konsekvent timing mellan orden”
• ”Staccatoartat framförande”

Text att förhandsvisa

När du har skrivit en stark röstprompt spelar texten du använder för att förhandsvisa rösten en avgörande roll för hur den faktiskt låter. Förhandsvisningstexten fungerar som ett manus för framförandet — den anger tonen, tempot och det känslomässiga uttryck som rösten försöker matcha.

För bästa resultat bör förhandsvisningstexten komplettera röstbeskrivningen, inte motsäga den. Om din prompt exempelvis beskriver ”en lugn och eftertänksam yngre kvinnoröst med en lätt japansk accent” kommer en mening som ”Hej! Jag står inte ut med vad du har gjort med det förbaskade stället!!!” att krocka med den avsikten. Modellen försöker förena den skillnaden, vilket ofta leder till onaturliga eller inkonsekventa resultat.

Använd i stället exempeltext som speglar röstens avsedda personlighet och känslomässiga ton. För exemplet ovan stödjer något i stil med ”Det har varit tyst på sistone… Jag har haft tid att tänka, och kanske var det just det jag behövde mest.” prompten och hjälper till att generera en mer naturlig och sammanhängande röst.

Vi har också sett att längre förhandsvisningstexter tenderar att ge mer stabila och uttrycksfulla resultat. Korta fraser kan ibland låta abrupta eller inkonsekventa, särskilt när du testar subtila egenskaper som ton eller tempo. Genom att ge modellen mer sammanhang — en hel mening eller till och med ett kort stycke — kan den skapa en mjukare och mer träffsäker representation av rösten.

Parametrar

Ljudstyrka

Styr volymen för genereringen av Text to Preview och i slutändan rösten när den har sparats.

Guidance Scale

Avgör hur nära prompten följs. Högre värden följer prompten striktare, men kan ge sämre ljudkvalitet om prompten är mycket nischad, medan lägre värden låter modellen vara mer kreativ på bekostnad av promptens träffsäkerhet. Använd ett lägre värde om framförande och ljudkvalitet generellt är viktigare än att följa prompten exakt. Höga värden rekommenderas när träffsäkerhet för accent eller ton är av största vikt.

Egenskaper och exempel

Exempelprompter och textförhandsvisningar

Vanliga frågor