> This is a page from the ElevenLabs documentation. For a complete page index, fetch https://elevenlabs.io/docs/llms.txt. For the full documentation in a single file, fetch https://elevenlabs.io/docs/llms-full.txt. # 声音设计 ![声音设计](/docs/_fern-img/1125280670aac11f82425cb9e04ccba451fb85ac046cff42203b867a82340f43.webp) ## 概述 当[声音库](https://elevenlabs.io/app/voice-library)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）](/docs/zh/eleven-creative/voices/voice-cloning)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](https://elevenlabs.io/app/voice-lab?create=true\&creationType=voiceDesign)中依次前往音色 -> 我的音色 -> 添加新音色 -> 声音设计，或通过 [API](/docs/zh/api-reference/text-to-voice/design) 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。 #### [API 参考文档](/docs/zh/api-reference/text-to-voice) 查看声音设计的 API 参考文档 ## 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 . , . . 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。 > **Warning** > > 如果音色非常具体或小众，加入这类短语有时会降低提示词整体的准确性。 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。 > **Warning** > > 使用“口音”一词时请谨慎——如果你想表达的是语调或重音模式，而非地区方言， > 请改用这些词。想表达语调时使用“口音”，可能导致不必要的方言偏移。 * **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 > **Note** > > 请尝试不同的描述词写法。例如，“完美音频质量”也可写成“音频质量完美”。 > 它们有时会产生不同的结果！ | 属性 | 示例 | | -------- | -------------------------------------- | | 年龄 | 年轻、较年轻、成年、年老、老年、他／她 40 多岁 | | 口音 | “浓重”的苏格兰口音、“轻微”的亚裔美国人口音、美国南方口音 | | 性别 | 男性、女性、中性性别、性别模糊 | | 语调／音色／音高 | 低沉、温暖、粗粝、顺滑、尖锐、醇厚、嘶哑、鼻音重、喉音重、刺耳、机械感、空灵 | | 语速 | 正常语速、快速、很快、缓慢、拖长、平静的节奏、自然／对话式节奏 | | 音频质量 | 完美音频质量、音频质量“一般”、较差的音频质量 | | 角色／职业 | 海盗、商人、农民、政治家、治疗师、食人魔、神一般的存在、电视播音员 | | 情绪 | 精力充沛、兴奋、悲伤、情绪化、讽刺、冷淡 | | 音高 | 低音、高音、正常音高 | ### 示例提示词与文本预览 | 音色类型 | 提示词/描述 | 文本预览 | 引导强度 | | :------- | :-------------------------------------------------------------------------------- | :------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | :--- | | 女体育解说员 | 一位充满活力的女体育解说员，带着浓重的英国口音，以极快的语速激情解说一场足球比赛。她的声音生动热情，完全沉浸在比赛中。 | 天哪——这球太精彩了！她在中场附近拿到球，像面前根本没人一样晃过了两名防守队员，然后一脚劲射直挂球门死角！守门员毫无机会！这位年轻前锋的表现堪称世界级，观众全都站起来了！这场比赛彻底燃起来了，你能感觉到势头正在逆转！ | 25% | | 新兵教官 | 一名陆军新兵教官正对他的士兵队伍大喊。他听起来很愤怒，语速很快。 | 都给我听好了，你们这帮废物！我来这儿不是当保姆的——我是来培养士兵的！我说动你们才能动，我说呼吸你们才能呼吸！给你们 10 秒钟列队，不然有你们后悔的！！ | 25% | | 邪恶食人魔 | 一只巨大的邪恶食人魔，语速很快。他的语气滑稽且浑厚。 | "你们的武器对我来说不过是牙签。\[laughs] 现在投降，我或许会赐你们一个痛快的死法。我已推翻王国、吞噬军队。你们凭什么对抗我？" | 30% | | 亲切的英国企业家 | 出色的音频质量。一名 30 多岁到 40 岁出头的男性，带着浓重的英国口音，以自然的语速说话，像在和朋友聊天。 | \[laughs] 你看，问题就在这。你看到的是一家公司，而我看到的是……\[lip smacks] 我看到的是一个承诺，懂我意思吧？\[exhales] 我们建设不只是为了盈利，我们是为了、为了提升！如果我们的技术没能让世界变得更友善、更聪明、更紧密……\[sighs] 那我们到底在做什么？ | 40% | | 南方女性 | 一位带着浓重美国南方口音的年长女性。她温柔又带点讽刺。 | "哎呀亲爱的，如果我们做的只是追逐头衔和奖杯，那就会错过真正重要的事。\[light chuckle] 我宁愿做些能让大家生活更轻松的东西——如果我还能踩着高跟鞋、面带微笑，再加点小脾气做到这一点，那就更好了。" | 35% | | 电影预告片声音 | 戏剧性的声音，用于营造电影预告片的期待感，通常与动作片或惊悚片相关 | "在一个濒临混乱的世界里，一位英雄将会崛起。准备好迎接这个史诗般的故事，即将登陆大银幕。" | 20% | | 吱吱叫的小老鼠 | 一只可爱、吱吱叫的小老鼠 | "我个头虽小，脾气可一点都不小！\[giggles] 小心点，大脚丫，不然我会咬你一口，让你忘不了！" | 20% | | 愤怒的海盗 | 一名愤怒的老海盗，声音响亮又豪迈 | "我经历过能让你头发变白的风暴，也见过会让你双腿发抖的海怪。你以为能招惹黑心船长后还活着讲故事吗？" | 30% | | 纽约客 | 低沉沙哑、带着浓重纽约口音，强硬且饱经沧桑，常带愤世嫉俗的感觉 | "小子，我在这些街头混的时间比你能想象的还久。你说什么、做什么，都再也惊不到我了。" | 40% | | 西班牙语支持专员 | 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。音质尚可。角色：可靠的支持专员。情绪：令人安心、专注、自信。 | 音色流畅自然，语调柔和，近讲感强，信号无噪声。以轻松的节奏提供更新，清晰强调有帮助的信息，展现同理心与专业性。 | 30% | | 阿拉伯语客服 | 母语为阿拉伯语，略带海湾地区（阿联酋）口音。女性，30–40 岁。出色的音质。角色：专业客服专员。情绪：温暖、自信、礼貌。 | 音色丝滑，语气平静，节奏稳健，语调柔和，保持近讲感以获得高保真、无瑕疵的信号。声音清晰，并轻柔强调对客户友好的措辞，确保易于理解。 | 35% | | 波兰语创意旁白 | 母语为波兰语。男性，48–58 岁。出色的音质。角色：富有创造力的梦想家。情绪：好奇、温和、亲切。 | 声音流畅无瑕疵，质感温暖引人入胜，节奏稳定，带来自然的近讲感。明亮的语调和精准的强调引导听众进入叙事。 | 32% | | 疯狂科学家 | 一位古怪科学天才的声音，语速快且节奏不规律，兴奋时会加速。他带有德国口音的腔调在激动时更加明显。音高变化很大，从沉思时的低语到狂热的惊呼，并不时爆发出疯狂的大笑。 | "我是海因里希博士，是被目光狭隘的科学界拒绝的革命天才！呸！他们说我的理论不可能、我的方法不道德——但现在是谁在笑？（疯狂大笑）20 年来，我一直在这座山中实验室完善我的造物，驾驭凡人无法理解的能量！等我的量子去稳定器揭示多元宇宙时，学院里的蠢货会为他们的嘲弄后悔。又或者是新的生命形态……实验存在某些不可预测的变量……令人着迷的变量！" | 38% | ## 常见问题 #### 什么是声音设计？ 声音设计可让你通过文本提示词创建独特音色。 当你无法在声音库中找到所需的确切音色时，它能提供帮助。无需从现有选项中选择，只需用自己的话描述，即可生成自定义音色。 只需输入描述所需音色的提示词即可开始。你可以添加口音、性别、语速、语调和说话风格等细节。提示词越具体，生成的音色就越贴合你的需求。如果不确定，也可以使用“平静的男性旁白”这类简单提示词。 使用声音设计创建的音色可用于最新模型 [Eleven v4](/docs/zh/overview/capabilities/text-to-speech/eleven-v4)，也可用于包括 Eleven v3 在内的早期模型。它们支持音频标签。在 Eleven v4 上，其表现力可能不如早期模型。 有关编写有效提示词的更多技巧，请参阅[声音设计指南。](/docs/zh/creative-platform/voices/voice-design) **注意：**声音设计仍处于实验阶段。专业语音克隆可提供 最高的质量和一致性。如果找到符合需求的 PVC，建议使用它。 专业语音克隆在 [Eleven v4](/docs/zh/overview/capabilities/text-to-speech/eleven-v4) 上获得完全支持，但尚未针对 Eleven v3 完全优化。 #### 使用声音设计可以创建哪些音色？ 声音设计可以生成各种音色，从逼真的人声到更具创意的角色风格声音。 如果不确定从何开始，可以尝试“中年女性新闻播报员”这样的简单提示词。不过，更详细的提示词通常能生成更准确、更细腻的结果。 提示词中可以包含多种特征，例如： * 年龄 * 性别 * 口音 * 语调 * 语速 * 情绪 * 说话风格 * 音频质量 另外两个控件可帮助调整输出： * **响度** 调整预览和已保存音色的音量。 * **引导强度** 决定生成的音色与提示词的贴合程度。 有关编写提示词的更多帮助，请参阅[声音设计指南](/docs/zh/product/voices/voice-lab/voice-design)。 #### 声音设计的费用是多少？ 声音设计仅在生成音色时消耗积分。 每次点击 **生成音色** 时，都会根据提示词创建 3 个音色选项。费用按预览文本的字符数计算。 你可以输入自己的预览文本，也可以使用 **自动生成** 按钮自动创建。自动生成的预览包含相关音频标签。 详情请参阅[声音设计指南。](/docs/zh/product-guides/voices/voice-design)