声音设计

概述

当声音库中没有你想要的确切音色时，声音设计可帮助创作者填补空缺。如果找不到适合项目的音色，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。

在 ElevenLabs 应用中依次前往音色 -> 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，将为你生成 3 个音色选项。使用声音设计仅需支付生成预览文本所需的积分；尽管会生成 3 个样本，也只会扣费一次。可在“预览文本”文本框中查看将扣除的字符数。

生成后，可选择并保存其中一个结果，它将占用 1 个音色名额。

提示词指南

提示词是音色的基础。它会告诉模型你想创建哪种音色——从口音和角色类型，到性别和整体氛围。精心编写的提示词，能让普通音色真正贴合你的构想。通常，描述越具体、越细致，结果就越准确、越有层次。提供的细节越多——包括年龄、性别、语调、口音、语速、情绪、风格等——模型就越能理解并生成有明确意图、符合需求的音色。

不过，有时简短的提示词也能奏效，尤其是在需要更中性或通用的音色时。例如，“一位平静的男性旁白”可能无需更多细节就能满足需求——特别是当你并非要创建非常具体的角色或风格时。所需的细节程度取决于使用场景。你是在构建奇幻角色、虚拟助手，还是一位 60 多岁、带着冷幽默的疲惫纽约女性？在提示词中定义得越清楚，输出就越接近你的想象。

推荐提示词格式

为获得稳定的结果，请按以下格式组织提示词：

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。情绪：安抚、专注、自信。音色流畅自然，语调柔和，近讲感明显，信号无噪声。以轻松的节奏传递更新内容，清晰强调有帮助的信息，展现同理心与专业感。

常见误区

• 想表达语调时，不要使用“口音” ——这可能导致不必要的方言偏移。请改为描述语调、重音或表达方式。
• 避免使用效果词 ——如“混响”“回声”“电话”或“磁带”等词可能会降低输出质量。
• 明确指定语言和方言 ——务必在第一句话中说明语言和地区变体，以防偏移。

音频质量

音频质量是指生成音色的清晰度、纯净度和整体保真度。ElevenLabs 默认会生成清晰自然的音频——但如果项目对质量有特定要求，最好在提示词中明确说明。

如需高质量结果，可在音色描述中加入“完美音频质量”或“录音室级录音”等短语。这有助于确保音色具有最高的清晰度、极低的失真和精致的成品效果。

也可使用以下能稳定产出结果的质量描述：

• 一般质量
• 良好质量
• 很好质量
• 卓越质量
• 录音室质量
• 广播级质量

在提示词中加入这些描述有助于获得最高音频质量。

在某些创意场景中，也可能有意使用较低的音频质量，例如模拟电话通话、旧广播或拾得影像。在这些情况下，可完全省略质量描述，或明确加入以下短语：

• “低保真音频”
• “较差的音频质量”
• “听起来像语音留言”
• “沉闷而遥远，像老式录音机录制的声音”

这类短语在提示词中的位置很灵活——可放在开头或结尾，实践证明两种位置都很有效。

年龄、语调／音色和性别

这 3 项特征是声音设计的基础，决定音色的整体身份感和情感共鸣。提供的细节越多，AI 就越容易生成符合创意构想的音色——无论是打造可信的角色、引人入胜的旁白，还是设计虚拟助手。

年龄

描述音色给人的年龄感，有助于定义其成熟度、声音质感和活力。使用具体词语可引导 AI 生成合适的声音品质。

实用描述词：

• “老年男性”／“老年女性”
• “年轻成人”／“20 多岁”／“30 岁出头”
• “中年男性”／“40 多岁女性”
• “年长男性”／“年长女性”／“80 多岁男性”

语调／音色

指由音高、共鸣和声音质感塑造的声音物理特性，与情感表达或态度不同。

常见语调／音色描述词：

• “低沉”／“低音”
• “顺滑”／“醇厚”
• “沙哑粗粝”／“嘶哑”
• “鼻音重”／“尖锐”
• “轻柔飘逸”／“气声”
• “洪亮”／“有共鸣”
• “轻盈”／“单薄”
• “温暖”／“柔和”
• “尖细”／“金属感”

性别

性别通常会影响音高、声音厚度和音色存在感——但也可通过描述声音本身而非身份，突破简单的分类。

示例：

• “一位音调较低、略带沙哑的女性声音”
• “男性化的男性声音，低沉而富有共鸣”
• “中性性别，柔和的中音”

口音

口音对于定义音色的地区、文化和情感身份至关重要。如果项目需要真实的声音——无论基于现实还是为角色进行风格化处理——清晰而有意识地说明所需口音必不可少。

措辞很重要——某些词往往能带来更稳定的结果。例如，在描述口音明显程度时，“浓重”通常比“强烈”效果更好。这个过程需要大量尝试，鼓励你实验不同措辞，尽可能发挥创意并提供丰富描述。

• 清晰的口音提示词示例：
  • “一位带有浓重法国口音的中年男性”
  • “一位带有轻微美国南方腔的年轻女性”
  • “一位带有浓重东欧口音的老年男性”
  • “一位说着清晰英式口音的开朗女性”
  • “一位带有柔和爱尔兰腔的年轻男性”
  • “带有中性美式口音的权威声音”
  • “一位带有澳大利亚地区口音、随性且鼻音较重的男性”

避免使用“外国”或“异域”等过于模糊的描述——它们不够精确，可能产生不稳定的结果。

将口音与语调、年龄或语速等特征结合，可获得更好的控制效果。例如：“一位带有浓重纽约口音、说话缓慢且讽刺的老年女性。”

对于奇幻或虚构音色，可将现实世界的口音作为灵感：

• “一位带有纯正浓重英式口音的精灵。他高贵而富有诗意。”
• “一只带有嘶哑东欧口音的地精。”

语速

语速是指声音说话的速度和节奏。它是塑造音色个性、情感基调和清晰度的关键因素。明确说明语速尤为重要，特别是在为叙事、广告、角色对白或教学内容等特定场景设计音色时。

请使用清晰的语言描述声音应说得多快或多慢。也可描述语速带来的感觉——是平稳、断续、从容还是轻快。如果语速发生变化，请说明变化的位置和原因。

语速描述词示例：

• “说得很快”／“以快速节奏说话”
• “以正常速度”／“正常说话”
• “说得很慢”／“以缓慢节奏”
• “从容且有分寸的语速”
• “拉长语调，仿佛细细品味每个词”
• “带着匆忙的节奏，像是赶时间”
• “轻松自然的对话节奏”
• “节奏富有韵律和音乐感”
• “不规则的节奏，伴有突然停顿和爆发”
• “均匀的语速，词语之间间隔一致”
• “断奏式表达”

预览文本

写好音色提示词后，用于预览音色的文本对其实际听感至关重要。预览文本就像表演脚本——它设定音色将尝试匹配的基调、语速和情感表达。

为获得最佳效果，预览文本应与音色描述相辅相成，而不是相互矛盾。例如，如果提示词描述的是“一位平静、善于沉思、带有轻微日式口音的年轻女性声音”，却使用“嘿！我受不了你把这该死的地方弄成这样！！！”这样的句子，就会与目标冲突。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。

应使用能体现音色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。”这类文本能支持提示词，帮助生成更自然、连贯的音色。

此外，我们发现较长的预览文本通常能产生更稳定、更具表现力的结果。简短的短语有时听起来突兀或不一致，尤其是在测试语调或语速等细微特征时。为模型提供更多上下文——完整的一句话，甚至一小段文字——可让它更流畅、更准确地呈现音色。

参数

响度

控制文本预览生成的音量，以及保存后音色的最终音量。

引导强度

决定模型对提示词的遵循程度。数值越高，越会严格遵循提示词；但如果提示词非常小众，音频质量可能较差。数值越低，模型的创作空间越大，但提示词准确度会降低。如果整体表现和音频质量通常比精准匹配提示词更重要，请使用较低数值。当口音或语调准确度至关重要时，建议使用较高数值。

属性与示例

示例提示词与文本预览

常见问题