Text to Speech

ElevenLabs utilise des modèles vocaux neuronaux qui produisent un rythme et une intonation naturels, avec une interprétation qui s'adapte au sens de chaque phrase. Le modèle analyse la ponctuation et le contexte pour déterminer la prononciation et le rythme avant de générer l'audio.

Eleven v4, notre modèle le plus expressif sur le plan émotionnel, ajoute des balises audio telles que [laughs] ou [whispers] pour contrôler directement l'interprétation. Prévisualisez chaque voix avant de la générer pour juger vous-même de sa qualité.

Collez votre texte dans l’outil ElevenCreative Text to Speech, choisissez une voix et un modèle, puis sélectionnez Générer. Écoutez le résultat, ajustez les paramètres vocaux si nécessaire, puis téléchargez le fichier. L’audio est téléchargé au format MP3 par défaut. 

Sur le site web, vous pouvez également télécharger des fichiers WAV, M4A et FLAC depuis l’onglet Historique. Via l’API, vous pouvez choisir parmi les formats suivants : 

• MP3 de 22,05 à 44,1 kHz, de 32 à 192 kbps (192 kbps avec Creator et les forfaits supérieurs) 
• PCM (S16LE) de 8 à 48 kHz pour le montage et la post-production (44,1 kHz avec Pro et les forfaits supérieurs) 
• μ-law et A-law à 8 kHz pour la téléphonie 
• Opus à 48 kHz pour les applications de streaming

ElevenLabs fonctionne dans tous les navigateurs modernes, et l’Application mobile ElevenLabs est disponible sur iOS et Android. Les développeurs peuvent générer le même audio avec ElevenAPI.

Le Text to Speech offre de nombreux cas d’usage aux créateurs comme aux entreprises. Parmi les usages courants du TTS :

• Livres audio et narration longue durée 
• Voix off pour vidéos et publicités
• Cours d’e-learning et supports de formation
• Agents vocaux et systèmes SVI
• Jeux et dialogues de personnages
• Accessibilité pour les lecteurs dyslexiques ou malvoyants
• Apprentissage des langues avec une prononciation de niveau natif
• Versions audio d’articles pour les éditeurs

Le Text to Speech transforme le texte en audio, tandis que le Speech to Text fait l’inverse en transcrivant l’audio en texte. L’IA conversationnelle réunit les deux autour d’un modèle de langage afin qu’un agent vocal puisse écouter et répondre en temps réel. 

• Text to Speech : Vous fournissez un script et ElevenLabs renvoie une voix qui le lit.
• Speech to Text : Vous fournissez un fichier audio et ElevenLabs renvoie une transcription.
• IA conversationnelle : ElevenAgents associe STT et TTS à un modèle de langage dans un agent à faible latence.

ElevenLabs développe ses propres modèles vocaux, ce qui permet à une seule plateforme de couvrir la narration expressive et les agents vocaux en temps réel. En pratique :

• Plus de 17 500 voix, ainsi que Voice Design et Clonage de voix pour des voix personnalisées
• Plus de 90 langues avec Eleven v4
• Balises audio pour l’émotion et les effets sonores, écrites directement dans le script 
• Streaming en temps réel avec Eleven v4 Turbo, avec une latence d’inférence médiane d’environ 100 ms
• ElevenAPI avec des SDK TypeScript et Python
• Conformité SOC 2, ainsi que la prise en charge de HIPAA avec les forfaits Enterprise

ElevenLabs est plébiscité par plus d’un million d’utilisateurs et plus de 66 % des entreprises du Fortune 500.

Utilisez Eleven v4 pour un audio des plus expressifs, et Eleven v4 Turbo lorsque vous avez besoin de cette expressivité en temps réel. Les modèles précédents restent disponibles pour des besoins spécifiques.

• Eleven v4 : Le modèle ElevenLabs le plus expressif, avec plus de 90 langues, des balises audio, des dialogues entre plusieurs intervenants, la prise en charge de Professional Voice Clone et jusqu’à 10 000 caractères par requête. Idéal pour les livres audio, le cinéma, les jeux et les publicités.
• Eleven v4 Turbo : toute la palette expressive de v4 avec une latence d’inférence médiane d’environ 100 ms. Idéal pour les agents vocaux et les applications en direct. 
• Eleven v3 : plus de 70 langues et des balises audio, avec jusqu’à 5 000 caractères par requête.
• Multilingual v2 : 29 langues et jusqu’à 10 000 caractères par requête.
• Flash v2.5 : 32 langues, une latence du modèle d’environ 75 ms, jusqu’à 40 000 caractères par requête et un prix par caractère réduit de moitié via l’API. 

Tous les modèles fonctionnent via ElevenAPI. Il suffit de modifier l’ID du modèle pour passer de l’un à l’autre. Ces limites de caractères s’appliquent à chaque requête API.

ElevenLabs Text to Speech prend en charge plus de 90 langues avec Eleven v4 et Eleven v4 Turbo. La couverture varie selon le modèle : Eleven v3 prend en charge plus de 70 langues, Flash v2.5 en prend en charge 32 et Multilingual v2, 29. 

L’accent dépend de la voix choisie, et vous pouvez filtrer les voix par accent, par exemple anglais américain, britannique, australien ou indien. Une voix de la Voice Library ou votre propre clone peut parler toutes les langues prises en charge par son modèle. Avec Eleven v4, une voix qui parle une autre langue adopte un accent natif dans cette langue. Une seule voix peut narrer votre script pour tous les marchés sur lesquels vous vendez.

ElevenLabs propose plus de 17 500 voix. Vous pouvez également ajouter la vôtre. Vous pouvez rechercher dans la Voice Library par langue, accent, genre, âge et cas d’usage. Voice Design génère une nouvelle voix à partir d’une description écrite de son rendu souhaité. Pour cloner votre propre voix :

• Clonage de voix instantané : Créez un clone à partir d’un court enregistrement, idéalement d’une à deux minutes d’audio. Disponible avec les forfaits Starter et supérieurs.
• Clonage de voix professionnel : Entraînez un clone haute fidélité à partir de plus de 30 minutes d’enregistrements propres. Il capture l’accent et l’étendue vocale, et est disponible avec les forfaits Creator et supérieurs. 

Vous ne pouvez cloner qu’une voix que vous êtes autorisé à utiliser, et le Clonage de voix professionnel est limité à votre propre voix après vérification. ElevenLabs utilise son AI Speech Classifier pour aider à détecter les audios clonés.

Le TTS d’ElevenLabs vous offre un contrôle complet sur la voix et le script. Avec les Audio Tags d’Eleven v4 et d’Eleven v4 Turbo, ajoutez des indications naturelles, telles que [whispers], [hesitant] et [excited], à vos scripts. Dans Eleven v4, les paramètres vocaux vous permettent d’ajuster la stabilité et la similarité, tandis que la ponctuation et les balises audio façonnent le rythme. Définissez une prononciation précise avec l’API ou un dictionnaire de prononciation pour les noms de marque.

ElevenAPI vous permet d’intégrer le TTS à votre application de développeur et de générer de la parole via REST ou en streaming, avec des SDK TypeScript et Python officiels. Le streaming lance la lecture avant que l’audio complet ne soit prêt, pour que vos applications vocales restent réactives. Pour une utilisation en temps réel : 

• Eleven v4 Turbo : latence médiane d’inférence d’environ 100 ms et délai médian jusqu’à la première parole d’environ 150 ms
• Flash v2.5 : latence du modèle d’environ 75 ms

Ces chiffres couvrent uniquement le temps du modèle. La latence du réseau et de l’application s’y ajoute. Le nombre de requêtes simultanées varie selon le forfait et le modèle : de 4 avec le forfait Free à 30 avec le forfait Business pour les modèles Flash, de 2 à 15 pour les autres modèles, avec des limites plus élevées pour Enterprise. Pour les agents vocaux bidirectionnels, ElevenAgents ajoute le Speech to Text et la gestion des tours de parole aux mêmes voix.

Vous pouvez commencer à utiliser le TTS d’ElevenLabs gratuitement. Le forfait Free inclut 10 000 crédits par mois, soit environ 10 minutes d’audio, sans carte bancaire. Les forfaits payants commencent à 6 $ par mois pour 30 000 crédits, tandis que les forfaits Enterprise proposent une tarification personnalisée.

Fonctionnement des crédits : 

• Chaque génération utilise des crédits en fonction du nombre de caractères de votre texte. Avec les forfaits actuels, environ 1 000 crédits permettent de générer une minute d’audio.
• Flash v2.5 utilise deux fois moins de crédits par caractère via l’API.
• Sur le site web, vous pouvez régénérer gratuitement jusqu’à deux fois le même texte avec la même voix et le même modèle, dans les deux heures suivant la première génération.
• Vos crédits sont renouvelés chaque mois avec votre cycle de facturation. Les crédits inutilisés sont reportés, dans la limite de deux mois, tant que vous n’annulez pas votre forfait et que vous ne passez pas à un forfait inférieur.

Les forfaits payants incluent également des droits commerciaux, le Clonage de voix professionnel, un audio de meilleure qualité et davantage de requêtes simultanées.

Oui. Tous les forfaits payants incluent des droits commerciaux pour les vidéos YouTube, les podcasts, les publicités, les livres audio, les jeux et les applications, sans redevances supplémentaires. Vous conservez la propriété de l’audio que vous générez. Le forfait Free couvre une utilisation personnelle et non commerciale, et exige l’attribution à ElevenLabs. L’utilisation commerciale est soumise aux Conditions d’utilisation et à la Politique d’utilisation interdite d’ElevenLabs.

ElevenLabs prend la sécurité des données au sérieux et est plébiscité par de grandes entreprises. Notre conformité comprend : 

• Certification SOC 2 Type II
• Certification ISO 27001
• Certification PCI DSS niveau 1
• Conformité au RGPD
• Flux de travail éligibles à la norme HIPAA pour la santé avec les forfaits Enterprise

Votre texte n’est pas utilisé pour entraîner nos modèles sans votre consentement. Les clients Enterprise peuvent activer le mode zéro rétention pour les services API éligibles.* 

Les clones vocaux sont protégés par la technologie AI Speech Classifier, qui peut détecter les contenus audio générés par l’IA. 

*Pour les services API éligibles au ZRM, lorsque le ZRM est correctement activé, certains types de données ne sont pas conservés. Le trafic du site web n’est pas concerné. Consultez la documentation pour plus de détails.