文本转语音
了解如何使用 ElevenLabs 将文本转换为自然逼真的语音音频。
概述
ElevenLabs 文本转语音（TTS） API 可将文本转换为具有细腻语调、节奏和情感感知的逼真音频。模型可适应 32 种语言和多种音色风格的文本提示，可用于：
- 为全球媒体宣传活动和广告配音
- 制作具有复杂情感表达的多语言有声书
- 从文本实时流式生成音频
试听示例：
浏览声音库，为项目找到合适的音色。
音质
对于实时应用，Eleven v4 Turbo 和 Flash v2.5 提供超低延迟，而 Multilingual v2 则能提供情感表达更细腻的最高音质。
音色选项
ElevenLabs 通过多种创建方式，提供涵盖 32 种语言的数千种音色：
详细了解音色选项。
音频效果
音频效果会对生成的语音进行后期处理，使其听起来像是在特定场所录制，无需事后编辑。可任意组合设置：
- 滤镜预设：为声音增添特色，例如电话线路、老式收音机或机器人效果。
- 距离：让说话者远离麦克风。
- 环境：将声音置于带混响的空间中，例如小房间或大厅。
- 背景噪音：在语音下循环播放环境底噪，例如咖啡馆或键盘打字声。
- 声像：将声音定位在左右声道之间。
文本转语音和文本转对话端点均支持效果，包括流式和带时间戳的请求，可通过 audio_effects 参数使用。通过音频效果目录查看可用的滤镜预设、环境和背景噪音。智能体也可以使用声音滤镜；请参阅音频环境。在应用中，可通过文本转语音 playground添加效果。
效果不会改变请求费用。
混响（environment_id 的 send_level 高于 0）和非零 pan 会生成立体声
音频。将其与单声道 pcm_*、ulaw_* 或 alaw_* 输出格式组合的请求会
被拒绝，并返回 400 错误。
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
更高音质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
多语言 v2 模型支持 29 种语言：
英语（美国、英国、澳大利亚、加拿大）、日语、中文、德语、印地语、法语（法国、加拿大）、韩语、葡萄牙语（巴西、葡萄牙）、意大利语、西班牙语（西班牙、墨西哥）、印尼语、荷兰语、土耳其语、菲律宾语、波兰语、瑞典语、保加利亚语、罗马尼亚语、阿拉伯语（沙特阿拉伯、阿联酋）、捷克语、希腊语、芬兰语、克罗地亚语、马来语、斯洛伐克语、丹麦语、泰米尔语、乌克兰语和俄语。
Flash v2.5 支持 32 种语言——包括 v2 模型支持的所有语言，以及：
匈牙利语、挪威语和越南语
只需输入任意支持语言的文本，并从声音库中选择相应的音色。为获得最自然的效果，请选择与目标语言和地区口音相符的音色。
提示词
模型会直接从文本输入中理解情感语境。例如，添加“她兴奋地说”之类的描述性文本，或使用感叹号，都会影响语音的情感表达。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提示。
阅读提示词指南了解更多详情。
模型会将描述性文本读出来；如不需要，必须手动从音频中裁剪或删除。
常见问题
我拥有生成音频的所有权吗？
是的。你保留所生成音频的所有权。不过，只有付费套餐提供商业使用权。订阅付费套餐后，如拥有输入内容的知识产权，即可将生成音频用于商业用途并通过输出内容获利。
什么情况符合免费重新生成条件？
免费重新生成允许你再次生成相同的文本转语音内容，无需额外付费，但须满足以下条件：
- 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。更改文本、音色设置或其他参数后，需重新付费生成
当音频输出存在轻微失真时，免费重新生成会很有帮助。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，其余问题通常源于训练数据不佳。
为什么我的输出有时不一致？
模型具有非确定性。为获得更一致的结果，请使用可选的 seed 参数，但仍可能出现细微差异。
转换大段文本的最佳做法是什么？
将长文本拆分为多个片段，并使用流式传输实现实时播放和高效处理。 为保持片段间自然的韵律衔接，请包含上一段／下一段文本或上一条／下一条 请求 ID 参数。
要点
- 确定性：输出具有非确定性——使用
seed参数可获得更一致的结果 - 音频效果：通过
audio_effects添加滤镜预设、距离、混响、背景噪音或声像，无额外费用 - 免费重新生成：每次生成最多可免费重新生成 2 次（仅限内容和参数相同）
- 所有权：你保留生成音频的所有权；商业使用需付费套餐
- 低延迟使用场景：使用 Flash 模型（
eleven_flash_v2或eleven_flash_v2_5）——请参阅延迟优化指南 - 大段文本：将长文本拆分为多个片段；使用
previous_text／next_text参数，在片段间保持自然韵律