Hoppa till navigering
Funktioner

Text till tal

Lär dig omvandla text till verklighetstroget talat ljud med ElevenLabs.

Översikt

ElevenLabs API för Text to Speech (TTS) omvandlar text till verklighetstroget ljud med nyanserad intonation, takt och känslomedvetenhet. Våra modeller anpassar sig till textledtrådar på 32 språk och i flera röststilar och kan användas för att:

  • Berätta globala mediekampanjer och annonser
  • Producera ljudböcker på flera språk med komplexa känslomässiga framföranden
  • Strömma ljud i realtid från text

Lyssna på ett exempel:

Utforska vårt röstbibliotek för att hitta den perfekta rösten för ditt projekt.

Röstbiblioteket är inte tillgängligt via API:et för användare på gratisnivån.
Produkter

Steg-för-steg-guide för att använda text till tal i ElevenLabs.

Utvecklare

Lär dig integrera text till tal i din applikation.

API-referens

Fullständig API-referens för slutpunkten Text to Speech.

MCP

Generera tal från Claude eller valfri MCP-klient med den hostade MCP-servern.

Eleven v4

Vad som har ändrats i Eleven v4, med jämförelser av röstkloning.

Röstkvalitet

För realtidsapplikationer ger Flash v2.5 ultrasnabb latens på 75 ms, medan Multilingual v2 levererar ljud av högsta kvalitet med mer nyanserade uttryck.

Eleven v4

Vår mest känslosamma modell för talsyntes med hög kvalitet

Exceptionella möjligheter till Voice Cloning
Stöd för över 90 språk
Gräns på 10 000 tecken
Stöd för naturliga dialoger med flera talare
Eleven v4 Turbo

Vår mest känslosamma modell för talsyntes i realtid

Ultralåg latens (medianlatens för inferens på ~100 ms†)
Exceptionella möjligheter till Voice Cloning
Stöd för över 90 språk
Ljudtaggar för detaljerad kontroll
Eleven v3

Vår känslomässigt rika och uttrycksfulla modell för talsyntes

Dramatiskt framförande och uttryck
Stöd för över 70 språk
Gräns på 5 000 tecken
Stöd för naturliga dialoger med flera talare
Eleven v3 Conversational

Vår uttrycksfulla modell för talsyntes i realtid

Låg latens (~280 ms)
Dramatiskt framförande och uttryck
Stöd för över 70 språk
Ljudtaggar för detaljerad kontroll
Eleven Multilingual v2

Modell för talsyntes med verklighetstroget och jämnt hög kvalitet

Naturligt ljudande resultat
Stöd för 29 språk
Gräns på 10 000 tecken
Mest stabil vid långa genereringar
Eleven Flash v2.5

Vår snabba och prisvärda modell för talsyntes

Ultralåg latens (~75 ms†)
Stöd för 32 språk
Gräns på 40 000 tecken
Snabbare modell, 50 % lägre pris per tecken för API-genereringar

Röstalternativ

ElevenLabs erbjuder tusentals röster på 32 språk genom flera olika metoder för att skapa dem:

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, en gammal radio eller en robot.
  • Avstånd: flyttar talaren bort från mikrofonen.
  • Miljö: placerar rösten i ett efterklangsrikt utrymme, till exempel ett litet rum eller en sal.
  • Bakgrundsljud: lägger ett återkommande bakgrundsljud, till exempel ett kafé eller tangentbordsknappande, under rösten.
  • Panorering: placerar rösten mellan vänster och höger kanal.

Effekter är tillgängliga på slutpunkterna Text to Speech och Text till dialog, inklusive för strömmande och tidsstämplade begäranden, via parametern audio_effects. Lista tillgängliga filterförinställningar, miljöer och bakgrundsljud med katalogen över ljudeffekter. Agenter kan också tillämpa ett röstfilter. Se Ljudmiljö. I appen lägger du till effekter från Text to Speech-playgrounden.

Effekter ändrar inte kostnaden för en begäran.

Efterklang (ett environment_id med send_level över 0) och en pan som inte är noll ger stereoljud. Begäranden som kombinerar dem med de monofoniska utdataformaten pcm_*, ulaw_* eller alaw_* avvisas med ett 400-fel.

Standardformatet för svaret är mp3, men andra format som pcm och ulaw är 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: 8kHz
    • Optimerat för telefoniapplikationer
  • A-law
    • Samplingsfrekvens: 8kHz
    • Optimerat för telefoniapplikationer
  • Opus
    • Samplingsfrekvens: 48kHz
    • Bithastigheter: 32kbps–192kbps

Ljudalternativ med högre kvalitet är endast tillgängliga i 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 mest naturliga resultat väljer du en röst med en accent som passar ditt målspråk och din region.

Promptning

Modellerna tolkar känslomässig kontext direkt från textinmatningen. Att till exempel lägga till beskrivande text som “sa hon upphetsat” eller använda utropstecken påverkar talets känsla. Röstinställningar som Stability och Similarity hjälper till att styra konsekvensen, medan den underliggande känslan kommer från textledtrådar.

Läs guiden för promptning för mer information.

Beskrivande text kommer att läsas upp av modellen och måste trimmas eller tas bort manuellt från ljudet om så önskas.

Vanliga frågor

Ja, du kan skapa direkta röstkloner av din egen röst från korta ljudklipp. För kloner med hög kvalitet kan du läsa om vår funktion för professionell röst- kloning.

Ja. Du behåller äganderätten till allt ljud du genererar. Kommersiella användningsrättigheter är dock endast tillgängliga med betalplaner. Med en betald prenumeration kan du använda genererat ljud för kommersiella ändamål och tjäna pengar på utdata om du äger IP-rättigheterna till inmatningsinnehållet.

En kostnadsfri omgenerering låter dig generera samma text-till-tal-innehåll igen utan extra kostnad, under följande villkor:

  • Du kan generera om varje innehållsdel upp till två gånger utan kostnad
  • Innehållet måste vara exakt samma som i föregående generering. Ändringar av texten, röstinställningarna eller andra parametrar kräver en ny, betald generering

Kostnadsfria omgenereringar är användbara om ljudutdata har en mindre störning. Enligt ElevenLabs interna riktmärken löser omgenereringar ungefär hälften av kvalitetsproblemen, medan återstående problem vanligtvis beror på bristfälliga träningsdata.

Använd Flash-modeller med låg latens (Flash v2 eller v2.5), optimerade för nästan realtida konversationella eller interaktiva scenarier. Se vår guide för latensoptimering för mer information.

Modellerna är icke-deterministiska. Använd den valfria seed- parametern för bättre konsekvens, även om små skillnader fortfarande kan förekomma.

Dela upp lång text i segment och använd strömning för uppspelning i realtid och effektiv bearbetning. För att behålla ett naturligt prosodiskt flöde mellan delar inkluderar du parametrarna för föregående/nästa text eller föregående/nästa begärande-id.

Viktiga fakta

  • Determinism: Utdata är icke-deterministiska — använd parametern seed för mer konsekventa resultat
  • Ljudeffekter: Lägg till en filterförinställning, avstånd, efterklang, bakgrundsljud eller panorering med audio_effects utan extra kostnad
  • Kostnadsfria omgenereringar: Upp till två kostnadsfria omgenereringar 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_v2 eller eleven_flash_v2_5) — se guiden för latensoptimering
  • Stor textmängd: Dela upp lång text i segment; använd parametrarna previous_text / next_text för att behålla naturlig prosodi mellan delarna