文本转语音

概述

ElevenLabs 文本转语音 (TTS) API 可将文本转换为逼真的音频，具备细腻的语调、节奏和情感感知能力。我们的模型可适应 32 种语言和多种音色风格中的文本线索，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
• 根据文本实时流式生成音频

试听示例：

浏览我们的声音库，为项目找到理想音色。

音色质量

对于实时应用，Flash v2.5 提供低至 75ms 的超低延迟；Multilingual v2 则提供最高质量、更细腻的表达效果。

音色选项

ElevenLabs 通过多种创建方式，提供覆盖 32 种语言的数千种音色：

• 声音库，包含 10,000 多种社区共享音色
• 专业语音克隆，用于创建保真度最高的复刻音色
• 即时语音克隆，快速复刻音色
• 声音设计，根据文字描述生成自定义音色

详细了解我们的音色选项。

音频效果

音频效果会对生成的语音进行后处理，使其听起来像是在特定地点录制，而无需后续编辑。可任意组合设置：

• 滤镜预设：改变音色，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：将音色置于带混响的空间中，例如小房间或大厅。
• 背景噪声：在音色下方循环播放环境音，例如咖啡馆声或键盘敲击声。
• 声像：将音色定位在左右声道之间。

通过 audio_effects 参数，可在文本转语音和文本转对话端点中使用效果，包括流式请求和带时间戳的请求。使用音频效果目录列出可用的滤镜预设、环境和背景噪声。智能体也可以应用音色滤镜；请参阅音频环境。在应用中，可通过文本转语音 playground添加效果。

效果不会改变请求成本。

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

只需输入任一支持语言的文本，并从声音库中选择匹配的音色。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。

常见问题

要点

• 确定性：输出为非确定性——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、背景噪声或声像，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；商业使用需要付费套餐
• 低延迟用例：使用 Flash 模型（eleven_flash_v2 或 eleven_flash_v2_5）——请参阅延迟优化指南
• 长文本：将长文本拆分为多个片段；使用 previous_text / next_text 参数保持片段间自然的韵律