声音设计

概述

当声音库中没有创作者所需的确切声音时，声音设计可以填补这一空缺。如果找不到适合项目的声音，可以自行创建。声音设计最适合快速探索和迭代，输出质量会因提示词和使用场景而异。如果需要最稳定、可直接用于制作的质量，专业语音克隆（PVC）目前是平台上质量最高的音色——因此，如果声音库中有符合需求的 PVC，建议优先使用。

可在 ElevenLabs 应用中依次进入“音色”->“我的音色”->“添加新音色”->“声音设计”，或通过 API 使用声音设计。

点击生成后，会生成 3 个声音选项。使用声音设计仅需支付生成预览文本所消耗的积分；虽然会生成 3 个样本，但只会收费一次。可在“预览文本”文本框中查看将扣除的字符数。

生成后，可以选择并保存其中一个生成结果，这会占用一个音色名额。

提示词指南

提示词是声音的基础。它告诉模型你想创建什么样的声音——从口音和角色类型，到声音的性别和氛围。精心编写的提示词，决定了生成普通声音还是能真正符合构想的声音。通常，描述更具体、更细致的提示词能带来更准确、更有层次的结果。提供的细节越多——包括年龄、性别、语气、口音、语速、情感、风格等——模型就越能理解并生成有明确意图、贴合需求的声音。

不过，有时简短的提示词也很有效，尤其是想要更中性或用途广泛的声音时。例如，“沉静的男性旁白”可能无需详细描述，就能获得所需效果——特别是在不需要创建非常具体的角色或风格时。合适的细节程度取决于使用场景。是在创建奇幻角色？虚拟助手？一位 60 多岁、带着冷幽默的疲惫纽约女性？提示词定义得越清楚，输出就越接近你的想象。

推荐提示词格式

为获得稳定结果，请按以下格式编写提示词：

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

示例：

母语为西班牙语，欧洲西班牙语（无拉丁美洲西班牙语特征）。女性，35–40 岁。一般质量。角色：可靠的客服专员。情感：令人安心、专注、自信。音色柔和自然，带有轻柔的语调，近讲效果明显，信号无噪声。以舒缓的节奏传达更新内容，清晰强调有帮助的信息，展现同理心和专业感。

应避免的常见问题

• 不要在想表达语调时使用“口音” —— 这可能导致不需要的方言偏移。请改为描述语调、重音或表达模式。
• 避免使用效果词 —— “混响”“回声”“电话”或“磁带”等词可能降低输出质量。
• 明确说明语言和方言 —— 请始终在第一句话中指定语言和地区变体，以防声音特征偏移。

音频质量

音频质量指生成声音的清晰度、纯净度和整体保真度。默认情况下，ElevenLabs 会尽力生成干净、自然的音频；但如果项目需要特定质量水平，最好在提示词中明确说明。

如需高质量结果，可在声音描述中加入“完美音频质量”或“录音棚级录音”等短语。这有助于确保声音以最高的清晰度、最低的失真和精致的效果呈现。

也可以使用以下能带来稳定结果的质量描述：

• 一般质量
• 良好质量
• 很好质量
• 卓越质量
• 录音棚质量
• 广播质量

在提示词中加入这些描述，有助于获得最高音频质量。

在一些创意场景中，较低的音频质量也可能是有意为之，例如模拟电话通话、旧式电台广播或拾得影像。在这些情况下，可以完全不添加质量描述，或明确加入以下短语：

• “低保真音频”
• “音频质量差”
• “听起来像语音留言”
• “闷且遥远，像旧磁带录音机里的声音”

这类短语在提示词中的位置很灵活——可以放在开头或结尾，我们发现两种位置都很有效。

年龄、音色和性别

这 3 项特征是声音设计的基础，塑造声音的整体特质和情感共鸣。提供的细节越多，AI 就越容易生成符合创作构想的声音——无论是打造可信的角色、制作引人入胜的旁白，还是设计虚拟助手。

年龄

描述声音给人的年龄感，有助于确定其成熟度、嗓音质感和活力。使用具体的词语，引导 AI 生成合适的声音特质。

实用描述词：

• “青春期男声” / “青春期女声”
• “年轻成年人” / “20 多岁” / “30 岁出头”
• “中年男性” / “40 多岁女性”
• “老年男性” / “年长女性” / “80 多岁男性”

音色

指由音高、共鸣和嗓音质感塑造的声音物理特质。它不同于情感表达或态度。

常用音色描述词：

• “低沉” / “低音”
• “顺滑” / “浑厚”
• “沙哑粗粝” / “沙哑”
• “鼻音重” / “尖锐”
• “空灵” / “气声”
• “洪亮” / “有共鸣”
• “轻柔” / “单薄”
• “温暖” / “柔和”
• “单薄刺耳” / “金属感”

性别

性别通常会影响音高、声音厚度和音色存在感——但也可以不局限于简单分类，通过描述声音本身而非身份来拓展可能性。

示例：

• “低音、略带沙哑的女声”
• “阳刚的男声，低沉且富有共鸣”
• “中性声音——柔和，中音”

口音

口音对于定义声音的地域、文化和情感特征至关重要。如果项目需要真实的声音效果——无论是基于现实，还是为角色进行风格化设计——清晰且明确地描述所需口音都很重要。

措辞很关键——某些词语通常能带来更稳定的结果。例如，描述口音的明显程度时，“浓重”通常比“强烈”效果更好。可以多加尝试，也建议尝试不同措辞，尽可能发挥创意并提供丰富描述。

• 清晰口音提示词示例：
  • “带有浓重法国口音的中年男性”
  • “带有轻微美国南方腔的年轻女性”
  • “带有浓重东欧口音的老人”
  • “说着清晰英式口音的开朗女性”
  • “带有轻柔爱尔兰腔的年轻男性”
  • “带有中性美式口音的权威声音”
  • “带有澳大利亚地区口音、慵懒且鼻音较重的男性”

避免使用“外国”或“异域”等过于模糊的描述词——它们不够准确，可能导致结果不一致。

结合音色、年龄或语速等其他特质描述口音，可获得更精确的控制。例如：“带着浓重纽约口音、语速缓慢又讽刺的老妇人。”

对于奇幻或虚构声音，可以将现实中的口音作为灵感：

• “一位带着标准浓重英式口音的精灵。他高贵而富有诗意。”
• “一只带着沙哑东欧口音的哥布林。”

语速

语速是指声音说话时的速度和节奏。它是塑造声音个性、情感基调和清晰度的关键要素。尤其是在为叙事、广告、角色对白或教学内容等特定用途设计声音时，明确语速至关重要。

使用清晰的语言描述声音应有多快或多慢。也可以描述语速给人的感觉——是平稳、断续、从容还是轻快。如果语速会变化，请说明变化的位置和原因。

语速描述词示例：

• “说得很快” / “语速很快”
• “正常语速” / “正常说话”
• “说得很慢” / “节奏缓慢”
• “从容而有分寸的语速”
• “拖长语调，仿佛在品味每个词”
• “节奏急促，像是赶时间”
• “轻松自然的对话语速”
• “节奏富有韵律和音乐感”
• “断续的语速，伴随突兀的停顿和爆发”
• “均匀的语速，词与词之间间隔一致”
• “断奏式表达”

预览文本

写好声音提示词后，用于预览该声音的文本对最终听感至关重要。预览文本就像表演脚本——它设定了声音将尝试匹配的基调、语速和情感表达。

为获得最佳效果，预览文本应与声音描述相辅相成，而非相互矛盾。例如，如果提示词描述的是“带有轻微日式口音、平静而善于反思的年轻女声”，却使用“嘿！我受不了你把这破地方弄成这样！！！”这样的句子，就会与预期冲突。模型会尝试协调这种不匹配，往往导致不自然或不一致的结果。

应使用能反映声音预期个性和情感基调的示例文本。对于上述示例，“最近一直很安静……我有时间思考，也许这正是我最需要的。”这样的文本能支持提示词，帮助生成更自然、连贯的声音。

此外，我们发现较长的预览文本往往能产生更稳定、更有表现力的结果。短语有时听起来会很突兀或不一致，尤其是在测试音色或语速等细微特质时。为模型提供更多上下文——完整句子甚至短段落——可使其更流畅、更准确地呈现声音。

参数

音量

控制“预览文本”生成的音量，以及最终保存后声音的音量。

引导强度

决定对提示词的遵循程度。较高的值会更严格遵循提示词，但如果提示词非常小众，可能导致音频质量较差；较低的值则让模型有更多创作空间，但会降低提示词准确度。如果整体表现和音频质量比精确匹配提示词更重要，请使用较低的值。当口音或音色准确度极为重要时，建议使用较高的值。

属性和示例

提示词示例和文本预览

常见问题