> 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.

# 文本转对话

## 概述

ElevenLabs [文本转对话](/docs/zh/api-reference/text-to-dialogue/convert) API 使用 [Eleven v4](/docs/zh/overview/capabilities/text-to-speech/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`](/docs/zh/api-reference/text-to-dialogue/convert#request.body.audio_effects)。[文本转语音音频效果](/docs/zh/overview/capabilities/text-to-speech#audio-effects)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：

<elevenlabs-audio-player audio-title="对话示例" audio-src="https://storage.googleapis.com/eleven-public-cdn/documentation_assets/audio/dialogue.mp3" />

#### [开发者](/docs/zh/eleven-api/guides/cookbooks/text-to-dialogue)

了解如何将文本转对话集成到应用中。

#### [提示词指南](/docs/zh/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4)

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](/docs/zh/api-reference/text-to-dialogue/convert)

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。

* [声音库](/docs/zh/overview/capabilities/voices)，包含 10,000 多种社区共享音色
* [专业语音克隆](/docs/zh/overview/capabilities/voices#cloned)，用于创建保真度最高的复刻音色
* [即时语音克隆](/docs/zh/overview/capabilities/voices#cloned)，快速复刻音色
* [声音设计](/docs/zh/overview/capabilities/voices#voice-design)，根据文字描述生成自定义音色

详细了解我们的[音色选项](/docs/zh/overview/capabilities/voices)。

## 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](/docs/zh/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4)。

### 使用音频标签表达情感

> **Warning**
>
> 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](/docs/zh/eleven-api/guides/cookbooks/text-to-dialogue)。

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](/docs/zh/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4)。

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."
```

<elevenlabs-audio-player audio-title="富有表现力的对话" audio-src="https://storage.googleapis.com/eleven-public-cdn/documentation_assets/audio/dialogue-emotive.mp3" />

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."
```

<elevenlabs-audio-player audio-title="打断" audio-src="https://storage.googleapis.com/eleven-public-cdn/documentation_assets/audio/dialogue-interruption.mp3" />

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!"
```

<elevenlabs-audio-player audio-title="省略号" audio-src="https://storage.googleapis.com/eleven-public-cdn/documentation_assets/audio/dialogue-ellipses.mp3" />

#### 支持的输出格式

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

> **Success**
>
> 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](https://elevenlabs.io/pricing/api)。

## 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](/docs/zh/overview/models#eleven-v4) 和 [Eleven v3](/docs/zh/overview/models#eleven-v3)。

## 常见问题

#### 可以使用哪些模型？

文本转对话适用于 Eleven v4 和 Eleven v3 模型。

#### 我拥有输出音频吗？

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。

#### 什么情况下可以免费重新生成？

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。

#### 对话可以有多少位说话者？

对话中的说话者数量没有限制。

#### 为什么输出有时不一致？

模型是非确定性的。为提高一致性，可使用可选的 [seed 参数](/docs/zh/api-reference/text-to-speech/convert#request.body.seed)，但仍可能出现细微差异。

#### 转换大段文本的最佳实践是什么？

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