跳到导航
功能

文本转对话

了解如何使用 ElevenLabs 创建沉浸感十足、自然流畅的对话。

概述

ElevenLabs 文本转对话 API 使用 Eleven v4 和 Eleven v3，根据文本生成自然、富有表现力的对话。建议使用 Eleven v4。常见应用场景包括：

  • 为视频游戏生成准确自然的对话
  • 为播客及其他音频内容创建沉浸式对话
  • 用富有表现力的旁白让有声书更生动

可能需要生成多次才能达到理想效果。将文本转对话集成到应用时，建议生成多个版本，让用户选择最佳版本。

如需将对话置于电话、咖啡馆或大型大厅等场景中，请在请求中传入 audio_effects。文本转语音音频效果中的相同滤镜预设、环境和背景噪声会应用于整段对话。对话效果仅可通过 API 使用。

试听示例：

开发者

了解如何将文本转对话集成到应用中。

提示词指南

了解如何使用音频标签提示富有表现力的对话。

API 参考文档

文本转对话端点的完整 API 参考文档。

音色选项

ElevenLabs 通过多种创建方式提供数千种音色。Eleven v4 支持 90 多种语言，Eleven v3 支持 70 多种语言。

详细了解我们的音色选项。

提示词

模型会直接从输入文本中理解情感语境。例如，添加“她兴奋地说道”等描述性文字，或使用感叹号，都会影响语音情感。稳定性和相似度等音色设置有助于控制一致性，而底层情感则来自文本线索。

更多详情请参阅提示词指南。

使用音频标签表达情感

此功能仍在积极开发中，实际效果可能有所不同。

Eleven v4 和 Eleven v3 支持使用非语音音频事件影响对话的表达方式。只需将音频事件用方括号包裹后插入文本输入中。

在文本转对话中，每轮对话都有独立的文本和音色。在需要影响的对话轮次文本中添加音频标签。voice_id 仍用于选择该轮次的说话者音色，标签则用于引导表达方式。

例如，一位说话者可以使用一种音色，文本以 [giggling] 开头；下一位说话者可以使用另一种音色，文本以 [whispering] 开头。如需了解结合标签与 voice_id 的 API 示例，请参阅文本转对话快速入门。

音频标签是自然语言指令，不是枚举参数。将指令用方括号包裹，并放在文本中需要改变表达方式的位置。以下示例并不完整；如需了解如何有效使用标签，请参阅提示词指南。

音频标签有几种不同形式：

情感和表达方式

例如，[sad]、[laughing] 和 [whispering]

音频事件

例如，[leaves rustling]、[gentle footsteps] 和 [applause]。

整体指导

例如，[football]、[wrestling match] 和 [auctioneer]。

示例包括：

"[giggling] That's really funny!"
"[groaning] That was awful."
"Well, [sigh] I'm not sure what to say."

你也可以使用标点符号表示对话的节奏，例如打断：

"[cautiously] Hello, is this seat-"
"[jumping in] Free? [cheerfully] Yes it is."

省略号可用于表示未说完的句子：

"[indecisive] Hi, can I get uhhh..."
"[quizzically] The usual?"
"[elated] Yes! [laughs] I'm so glad you knew!"

默认响应格式为 mp3，也支持 pcm 和 ulaw 等其他格式。

  • MP3
    • 采样率：22.05kHz - 44.1kHz
    • 比特率：32kbps - 192kbps
    • 22.05kHz @ 32kbps
    • 44.1kHz @ 32kbps、64kbps、96kbps、128kbps、192kbps
  • PCM (S16LE)
    • 采样率：16kHz - 44.1kHz
    • 比特率：8kHz、16kHz、22.05kHz、24kHz、44.1kHz、48kHz
    • 16 位深度
  • μ-law
    • 8kHz 采样率
    • 针对电话应用优化
  • A-law
    • 8kHz 采样率
    • 针对电话应用优化
  • Opus
    • 采样率：48kHz
    • 比特率：32kbps - 192kbps

更高质量的音频选项仅适用于付费套餐——详情请参阅我们的定价 页面。

支持的语言

Eleven v4 支持 90 多种语言。Eleven v3 支持 70 多种语言。完整列表请参阅 Eleven v4 和 Eleven v3。

常见问题

文本转对话适用于 Eleven v4 和 Eleven v3 模型。

是的。你保留所生成音频的所有权。但商业使用权仅适用于付费套餐。订阅付费套餐后，如拥有输入内容的知识产权，可将生成的音频用于商业用途并从中获利。

免费重新生成可让你免费重新生成相同的文本转语音内容，但需满足以下条件：

  • 仅可在 ElevenLabs 控制台中使用。
  • 每段内容最多可免费重新生成 2 次。
  • 内容必须与上次生成完全相同。任何文本、音色设置或其他参数的变更，都需要重新进行付费生成。

当输出音频存在轻微失真时，免费重新生成非常有用。根据 ElevenLabs 的内部基准测试，重新生成可解决约一半的质量问题，其余问题通常是由训练数据质量不佳造成的。

对话中的说话者数量没有限制。

模型是非确定性的。为提高一致性，可使用可选的 seed 参数，但仍可能出现细微差异。

为确保稳定生成，每次请求中所有 inputs[].text 值的总长度应不超过 2,000 个字符。请将较长文本拆分为多个片段，再在应用中拼接生成的音频。

要点

  • 模型：支持 Eleven v4 和 Eleven v3
  • 说话者：每段对话中的说话者数量不限
  • 请求大小：每次请求中所有 inputs[].text 值的总长度应不超过 2,000 个字符
  • 确定性：输出为非确定性——使用 seed 参数可获得更一致的结果
  • 免费重新生成：每次生成最多可免费重新生成 2 次（内容和参数相同，仅限控制台）
  • 所有权：你保留生成音频的所有权；商业使用需要付费套餐