功能

文本转语音

了解如何使用 ElevenLabs 将文本转换为逼真的语音音频。

概述

ElevenLabs 文本转语音 (TTS) API 可将文本转换为逼真音频，具备细腻的语调、节奏和情感感知能力。我们的模型可根据 32 种语言和多种音色风格中的文本线索进行调整，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
  • 根据文本实时流式传输音频

试听示例：

浏览我们的声音库，为项目找到理想音色。

免费套餐用户无法通过 API 使用声音库。
产品

在 ElevenLabs 中使用文本转语音的分步指南。

开发者

了解如何将文本转语音集成到应用中。

API 参考文档

文本转语音端点的完整 API 参考文档。

MCP

使用托管 MCP 服务器，通过 Claude 或任何 MCP 客户端生成语音。

Eleven v4

了解 Eleven v4 的变化，以及音色克隆对比。

音色质量

对于实时应用，Flash v2.5 提供低至 75ms 的超低延迟，而 Multilingual v2 则以更细腻的表达提供最高质量音频。

Eleven v4

最富情感、质量最高的语音合成模型

出色的语音克隆能力
支持 90+ 种语言
10,000 个字符限制
支持自然的多说话人对话
Eleven v4 Turbo

最富情感的实时语音合成模型

超低延迟（推理延迟中位数约为 100ms†）
出色的语音克隆能力
支持 90+ 种语言
使用音频标签进行精细控制
Eleven v3

情感丰富、富有表现力的语音合成模型

戏剧化的表达与演绎
支持 70+ 种语言
5,000 个字符限制
支持自然的多说话人对话
Eleven v3 Conversational

富有表现力的实时语音合成模型

低延迟（约 280ms）
戏剧化的表达与演绎
支持 70+ 种语言
使用音频标签进行精细控制
Eleven Multilingual v2

逼真且质量稳定的语音合成模型

自然的输出效果
支持 29 种语言
10,000 个字符限制
长文本生成时最稳定
Eleven Flash v2.5

快速、经济实惠的语音合成模型

超低延迟（约 75ms†）
支持 32 种语言
40,000 个字符限制
更快的模型，API 生成内容的每字符价格低 50%

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：

详细了解音色选项。

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，详情请参阅价格 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。

更多详情请阅读提示词指南。

描述性文字会被模型朗读。如需去除，必须手动从音频中裁剪或删除。

常见问题

可以，你可以使用短音频片段创建自己的即时语音克隆。如需高保真克隆，请了解我们的专业语音 克隆功能。

是。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，如果你拥有输入内容的知识产权，便可将生成音频用于商业用途并通过其获利。

在符合以下条件时，可免费重新生成相同的文本转语音内容，无需额外付费：

  • 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。若更改文本、音色设置或其他参数，则需进行新的付费生成

当音频输出出现轻微失真时，免费重新生成功能会很有帮助。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，其余问题通常由较差的训练数据造成。

对于接近实时的对话或交互场景，请使用经过优化的低延迟 Flash 模型（Flash v2 或 v2.5）。更多详情请参阅延迟优化 指南。

模型具有非确定性。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。

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。 为保持片段之间自然的韵律衔接，请包含上一段/下一段文本或上一请求/下一请求 ID 参数。

关键信息

  • 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
  • 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；商业使用需订阅付费套餐
  • 低延迟用途：使用 Flash 模型（eleven_flash_v2 或 eleven_flash_v2_5）— 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