应该选择哪个文本转语音模型？

- Flash v2.5 - 超低延迟（约 75ms），适合实时语音智能体 - Turbo v2.5 - 质量与速度平衡（约 250-300ms），适合互动场景 - Multilingual v2 - 长文本内容（最多 10,000 字符）保持一致高质量 - Eleven v3 - 创意应用场景下表现力和情感最丰富

延迟大概是多少？

Flash v2.5 延迟约 75ms。 Turbo v2.5 通常在 250-300ms 内响应。两者均支持流式输出，可在生成完成前开始播放。

支持多少种语言？

Eleven v3 支持 70 多种语言。 Flash v2.5 和 Turbo v2.5 支持 32 种语言。 Multilingual v2 支持 29 种语言。

每次请求的字符上限是多少？

Flash v2.5 和 Turbo v2.5：40,000 字符 Multilingual v2：10,000 字符 Eleven v3：3,000 字符

可以控制情感和表达吗？

通过音频标签（如 [laughs]、[whispers]、[sighs]、[door slam]）控制表达、情感、重音、停顿和音效。Eleven v3 提供最丰富的表达控制。

有多少种音色可用？

声音库包含 10,000 多种音色。还可通过文本提示词克隆或设计自定义音色。

API 支持流式传输吗？

支持。流式传输可在音频生成完成前开始播放，降低实时应用中的感知延迟。

可以使用自定义音色吗？

支持。可通过音色 ID 调用库中任意音色，包括专业语音克隆、即时克隆和自定义音色。

支持哪些音频格式？

API 默认输出 MP3。还支持 PCM 和 μ-law 格式。

如何优化延迟？

建议使用 Flash v2.5 并开启流式传输。每次请求控制在 1,000 字符以内。实时应用可启用 WebSocket 长连接。

发音可以自定义吗？

支持。可通过音标拼写或发音词典控制特定词语的发音。

有哪些 SDK 可用？

提供官方 Python、JavaScript/TypeScript SDK，也可直接使用 HTTP API。

在哪里可以找到代码示例？

完整 API 参考、代码示例和集成指南请访问 elevenlabs.io/docs/api-reference

有企业级支持吗？

支持。企业版包含 SOC 2 合规、HIPAA 支持、GDPR 合规、欧盟数据驻留、零保留模式、专属支持和定制 SLA。

文本转语音 API

Q: 延迟大概是多少？

Flash v2.5 延迟约 75ms。 Turbo v2.5 通常在 250-300ms 内响应。 两者均支持流式输出，可在生成完成前开始播放。

超逼真、低延迟语音生成

获取 API 密钥查看文档

为实时和批量应用提供高质量、可控的文本转语音。模型针对延迟、音质和长文本一致性进行了优化。

演示

代码

在古老的埃尔多利亚大地上，天空闪烁着光芒，森林向风儿低语着秘密，住着一条名叫Zephyros的龙。[sarcastically] 不是那种“烧光一切”的龙……[giggles] 但他温柔、智慧，眼睛像古老的星辰。[whispers] 连鸟儿经过时也会沉默。​

Lovable
Synthesia
Stripe
Perplexity
Twilio

基于最强大的语音 AI 模型

获取 API 密钥查看文档

根据场景选择合适的模型：从超低延迟智能体到富有表现力的长文本旁白。

Flash v2.5

延迟最低的语音合成模型

超低延迟（约 75ms）
支持 32 种语言
40,000 字符上限
约 $0.06/分钟

查看文档

Turbo v2.5

质量与延迟平衡

低延迟（约 250-300ms）
高质量语音生成
支持 32 种语言
40,000 字符上限
约 $0.06/分钟

查看文档

多语言 v2

自然且一致的高质量语音合成模型

自然音效输出
支持 29 种语言
10,000 字符上限
专为长文本生成设计
约 $0.12/分钟

查看文档

Eleven v3

情感最丰富、表现力最强的模型

富有表现力的叙述与表演
支持 70+ 种语言
3,000 字符上限
多说话人对话
约 $0.12/分钟

查看文档

打造可上线语音应用的全套工具

使用专为实时、长文本和生产环境设计的模型，生成富有表现力、可控的语音。

情感与表达控制

创建可控、富有表现力的语音，叠加情感、音频事件和沉浸式音效。

访问 10,000+ 种音色

探索不断扩展的丰富音色库，适用于各种场景。

声音设计与克隆

支持 30 多种语言，提供自然音色、丰富口音和本地化音频，满足不同受众需求。

多说话人对话

用富有表现力、可控的音色，在 70 多种语言中创建自然的多说话人对话。

音频事件与指令

通过音频标签、时间提示和叙述指令灵活控制语音表现。

发音词典

自定义发音，确保人名和术语始终准确一致。

为全球领先企业和品牌提供支持

查看客户案例

“从本地语言配音 Reels，到在 Horizon 生成音乐和角色音色，ElevenLabs 平台让全球创作者、企业和机构都能大规模使用语音、音乐和音效。”
“每天有数百万人在 YouTube 和 Twitch 上向 Hikaru、Levy、Magnus 等创作者学习国际象棋。现在，在 Chess.com 也能以沉浸、个性化且富有特色的方式学习。我们的目标是打造一位能因材施教、欢迎各水平玩家、让国际象棋变得有趣易懂的教练。有了 ElevenLabs 和这些全新音色，我们离这个目标更近了一步。”
“ElevenLabs 让我们能快速为 SDK 集成强大的文本转语音功能，让智能体能用富有表现力的语音实时回应用户提问或反馈所见内容。”
“Twilio 已将 ElevenLabs 的生成式 AI 语音技术集成到其 CPaaS，增强了 ConversationRelay。该集成让企业和开发者可直接在 Twilio CPaaS 平台创建拟人、富有表现力、实时响应的对话式 AI 语音交互。ElevenLabs 很高兴能为 ConversationRelay 提供最具表现力、最自然的人声。”