Text to Speech
Lär dig hur du omvandlar text till verklighetstroget talat ljud med ElevenLabs.
Översikt
ElevenLabs Text to Speech (TTS)-API omvandlar text till verklighetstroget ljud med nyanserad intonation, rytm och emotionell förståelse. Våra modeller anpassar sig efter textledtrådar på 32 språk och i flera röststilar och kan användas för att:
- Berätta globala mediekampanjer och annonser
- Producera ljudböcker på flera språk med komplex känslomässig leverans
- Strömma ljud i realtid från text
Lyssna på ett exempel:
Utforska vårt röstbibliotek för att hitta den perfekta rösten för ditt projekt.
Röstkvalitet
För realtidsapplikationer ger Eleven v4 Turbo och Flash v2.5 ultralåg latens, medan Multilingual v2 levererar ljud av högsta kvalitet med mer nyanserade uttryck.
Röstalternativ
ElevenLabs erbjuder tusentals röster på 32 språk genom flera olika metoder:
- Röstbibliotek med över 10 000 röster delade av communityn
- Professionell röstkloning för kopior med högsta precision
- Omedelbar röstkloning för snabb röstkopiering
- Voice Design för att skapa anpassade röster från textbeskrivningar
Läs mer om våra röstalternativ.
Ljudeffekter
Ljudeffekter efterbehandlar genererat tal så att det låter som om det spelades in på en specifik plats, utan efterföljande redigering. Ange valfri kombination av:
- Filterförinställning: färgar rösten, till exempel som en telefonlinje, gammal radio eller robot.
- Avstånd: flyttar talaren längre bort från mikrofonen.
- Miljö: placerar rösten i ett rum med efterklang, till exempel ett litet rum eller en sal.
- Bakgrundsljud: spelar upp ett loopat omgivningsljud, som ett kafé eller tangentbordsknatter, under rösten.
- Panorering: placerar rösten mellan vänster och höger kanal.
Effekter är tillgängliga på Text to Speech- och Text to Dialogue-slutpunkterna, inklusive strömmande och tidsstämplade förfrågningar, via parametern audio_effects. Lista tillgängliga filterförinställningar, miljöer och bakgrundsljud med katalogen för ljudeffekter. Agenter kan också använda ett röstfilter; se Ljudmiljö. I appen lägger du till effekter från Text to Speech-playgrounden.
Effekter ändrar inte kostnaden för en förfrågan.
Efterklang (ett environment_id med en send_level över 0) och en pan som inte är noll ger stereoljud.
Förfrågningar som kombinerar dem med de monofoniska utdataformaten pcm_*, ulaw_* eller alaw_*
avvisas med ett 400-fel.
Utdataformat som stöds
Standardformatet för svar är mp3, men andra format som pcm och ulaw finns också tillgängliga.
- MP3
- Samplingsfrekvenser: 22.05kHz - 44.1kHz
- Bithastigheter: 32kbps - 192kbps
- 22.05kHz @ 32kbps
- 44.1kHz @ 32kbps, 64kbps, 96kbps, 128kbps, 192kbps
- PCM (S16LE)
- Samplingsfrekvenser: 16kHz - 44.1kHz
- Bithastigheter: 8kHz, 16kHz, 22.05kHz, 24kHz, 44.1kHz, 48kHz
- 16-bitars djup
- μ-law
- Samplingsfrekvens på 8kHz
- Optimerat för telefoniapplikationer
- A-law
- Samplingsfrekvens på 8kHz
- Optimerat för telefoniapplikationer
- Opus
- Samplingsfrekvens: 48kHz
- Bithastigheter: 32kbps - 192kbps
Ljudalternativ av högre kvalitet är bara tillgängliga på betalnivåer – se vår prissida för mer information.
Språk som stöds
Våra flerspråkiga v2-modeller har stöd för 29 språk:
Engelska (USA, Storbritannien, Australien, Kanada), japanska, kinesiska, tyska, hindi, franska (Frankrike, Kanada), koreanska, portugisiska (Brasilien, Portugal), italienska, spanska (Spanien, Mexiko), indonesiska, nederländska, turkiska, filippinska, polska, svenska, bulgariska, rumänska, arabiska (Saudiarabien, Förenade Arabemiraten), tjeckiska, grekiska, finska, kroatiska, malajiska, slovakiska, danska, tamil, ukrainska och ryska.
Flash v2.5 har stöd för 32 språk – alla språk från v2-modellerna samt:
Ungerska, norska och vietnamesiska
Skriv bara in text på något av våra språk som stöds och välj en matchande röst från vårt röstbibliotek. För naturligast resultat väljer du en röst med en accent som matchar ditt målspråk och din region.
Promptning
Modellerna tolkar känslomässigt sammanhang direkt från textinmatningen. Att till exempel lägga till beskrivande text som “sa hon entusiastiskt” eller använda utropstecken påverkar talets känsla. Röstinställningar som stabilitet och likhet hjälper till att styra konsekvensen, medan den underliggande känslan kommer från textledtrådar.
Läs guiden för promptning för mer information.
Beskrivande text läses upp av modellen och måste trimmas eller tas bort manuellt från ljudet om du vill det.
Vanliga frågor
Kan jag klona min egen röst?
Ja, du kan skapa omedelbara röstkloner av din egen röst från korta ljudklipp. För högupplösta kloner, se vår funktion för professionell röstkloning.
Äger jag ljudet som genereras?
Ja. Du behåller äganderätten till allt ljud du genererar. Kommersiella användningsrättigheter är dock bara tillgängliga med betalda planer. Med en betald prenumeration kan du använda genererat ljud kommersiellt och tjäna pengar på resultaten om du äger IP-rättigheterna till inmatningsinnehållet.
Vad räknas som en kostnadsfri regenerering?
En kostnadsfri regenerering låter dig generera samma text-till-tal-innehåll igen utan extra kostnad, under följande villkor:
- Du kan regenerera varje innehållsdel upp till två gånger utan kostnad
- Innehållet måste vara exakt detsamma som i den föregående genereringen. Alla ändringar av texten, röstinställningarna eller andra parametrar kräver en ny, betald generering
Kostnadsfria regenereringar är användbara om ljudutmatningen har en mindre förvrängning. Enligt ElevenLabs interna riktmärken löser regenereringar ungefär hälften av kvalitetsproblemen, medan återstående problem vanligtvis beror på dåliga träningsdata.
Hur minskar jag latensen i realtidsfall?
Använd Flash-modellerna med låg latens (Flash v2 eller v2.5), optimerade för nästintill realtida konversationsbaserade eller interaktiva scenarier. Se vår guide för latensoptimering för mer information.
Varför är min utdata ibland inkonsekvent?
Modellerna är icke-deterministiska. Använd den valfria seed-parametern för konsekventare resultat, även om små skillnader fortfarande kan förekomma.
Vilken metod är bäst för stora textkonverteringar?
Dela upp lång text i segment och använd streaming för uppspelning i realtid och effektiv bearbetning. För att behålla ett naturligt prosodiflöde mellan delar inkluderar du parametrarna för föregående/nästa text eller föregående/nästa förfrågnings-id.
Viktiga fakta
- Determinism: Utdata är icke-deterministisk – använd parametern
seedför mer konsekventa resultat - Ljudeffekter: Lägg till en filterförinställning, avstånd, efterklang, bakgrundsljud eller panorering med
audio_effectsutan extra kostnad - Kostnadsfria regenereringar: Upp till två kostnadsfria regenereringar per generering (endast samma innehåll och parametrar)
- Äganderätt: Du behåller äganderätten till genererat ljud; kommersiell användning kräver en betald plan
- Användningsfall med låg latens: Använd Flash-modeller (
eleven_flash_v2ellereleven_flash_v2_5) – se guiden för latensoptimering - Stor textmängd: Dela upp lång text i segment; använd parametrarna
previous_text/next_textför att behålla naturlig prosodi mellan delar