> 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.

# 文本转语音

## 概述

ElevenLabs [文本转语音 (TTS)](/docs/zh/api-reference/text-to-speech/convert) 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](/docs/zh/overview/models)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：

<elevenlabs-audio-player audio-title="George" audio-src="https://storage.googleapis.com/eleven-public-cdn/audio/marketing/george.mp3" />

浏览我们的[声音库](https://elevenlabs.io/app/voice-library)，为项目找到理想音色。

> **Warning**
>
> 免费套餐用户无法通过 API 使用声音库。

#### [产品](/docs/zh/eleven-creative/playground/text-to-speech)

在 ElevenLabs 中使用文本转语音的分步指南。

#### [开发者](/docs/zh/eleven-api/quickstart)

了解如何将文本转语音集成到应用中。

#### [API 参考文档](/docs/zh/api-reference/text-to-speech/convert)

文本转语音端点的完整 API 参考文档。

#### [MCP](/docs/zh/eleven-agents/operate/hosted-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](/docs/zh/overview/capabilities/text-to-speech/eleven-v4)

了解 Eleven v4 的变化及其与语音克隆的对比。

### 音色质量

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

#### [Eleven v4](/docs/zh/overview/models#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](/docs/zh/overview/models#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](/docs/zh/overview/models#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](/docs/zh/overview/models#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](/docs/zh/overview/models#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](/docs/zh/overview/models#flash-v25)

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%

[探索全部](/docs/zh/overview/models)

### 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](/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)。

### 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`](/docs/zh/api-reference/text-to-speech/convert#request.body.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](/docs/zh/api-reference/audio-effects/get-catalog)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](/docs/zh/eleven-agents/customization/voice/audio-environment)。在应用中，可通过[文本转语音 playground](/docs/zh/eleven-creative/playground/text-to-speech)添加效果。

效果不会改变请求成本。

> **Warning**
>
> 混响（`environment_id` 的 `send_level` 大于 0）和非零 `pan` 会生成立体声音频。将它们与单声道 `pcm_*`、`ulaw_*` 或 `alaw_*` 输出格式结合的请求，会因 400 错误被拒绝。

#### 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

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](https://elevenlabs.io/app/voice-library)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](/docs/zh/overview/capabilities/text-to-speech/best-practices)。

> **Note**
>
> 描述性文字会被模型读出，如不需要，必须手动从音频中剪掉或删除。

## 常见问题

#### 可以克隆自己的声音吗？

可以。你可以通过简短音频片段创建自己声音的[即时语音克隆](/docs/zh/overview/capabilities/voices#cloned)。如需高保真克隆，请了解我们的[专业语音 克隆](/docs/zh/overview/capabilities/voices#cloned)功能。

#### 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：

* 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。

#### 如何降低实时场景的延迟？

使用针对近实时对话或交互场景优化的低延迟 Flash [模型](/docs/zh/overview/models)（Flash v2 或 v2.5）。更多详情请参阅[延迟优化 指南](/docs/zh/eleven-api/guides/how-to/best-practices/latency-optimization)。

#### 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？

将长文本拆分为多个片段，并使用流式处理进行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/下一段文本或上一项/下一项 请求 ID 参数](/docs/zh/api-reference/text-to-speech/convert#request.body.previous_text)。

## 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](/docs/zh/eleven-api/guides/how-to/best-practices/latency-optimization)
* **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