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

预期延迟是多少？

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。

每次请求的字符限制是多少？

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

能控制情感和表达方式吗？

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。

有哪些可用音色？

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。

可以自定义发音吗？

支持。可通过音标拼写或发音词典控制特定词语的发音。

有哪些可用的 SDK？

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

提供企业支持吗？

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

超逼真、低延迟的语音生成

获取 API 密钥查看文档

使用高质量、可控的 TTS 构建实时和批量应用。模型针对延迟、保真度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 模型构建

获取 API 密钥查看文档

根据使用场景选择合适模型：从超低延迟智能体到富有表现力的长篇旁白。

Eleven v3

情感最丰富、表现力最强的模型

戏剧化表达和演绎
支持超过 70 种语言
3,000 字符限制
多说话人对话
约 $0.10 / 分钟

查看文档

v3 对话式

最适合实时语音、表现力最强的模型。

低延迟（约 280ms）
高质量、富有表现力的输出
支持超过 70 种语言
自定义音频标签
约 $0.05 / 分钟

查看文档

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 字符限制
约 $0.05 / 分钟

查看文档

多语言 v2

逼真且质量稳定的语音合成模型

自然逼真的输出
支持 29 种语言
10,000 字符限制
专为长文本生成设计
约 $0.10 / 分钟

查看文档

构建生产级语音所需的一切

使用专为实时、长文本和生产环境打造的模型，生成富有表现力且可控的语音。

控制情感和表达方式

创建可控且富有表现力的语音，叠加情感、音频事件和沉浸式声景。

访问超过 11,000 种音色

探索不断扩充的音色集合，为各种场景提供富有表现力、逼真的声音。

声音设计和克隆

支持超过 30 种语言，提供自然音色、富有表现力的口音，以及为受众定制的本地化音频。

多说话人对话

使用富有表现力、可控的音色，创建覆盖超过 70 种语言的自然多说话人对话。

音频事件和指令

通过内置的音频标签、时间提示和叙事指令控制表达方式。

发音词典

定义自定义发音，确保姓名和术语的语音始终准确一致。

为全球领先企业和品牌提供支持

查看客户案例

“从为 Reels 制作本地语言配音，到为 Horizon 生成音乐和角色声音，ElevenLabs 平台让全球创作者、企业和大型组织能够大规模使用语音、音乐和声音进行创作。”
“每天都有数百万人在 YouTube 和 Twitch 上向 Hikaru、Levy 和 Magnus 等创作者学习国际象棋。如今，你可以在 Chess.com 中以沉浸式、个性化且充满角色魅力的方式向他们学习。我们的使命是打造一位国际象棋教练：以合适的水平教学，欢迎所有水平的玩家，在保持趣味和个性的同时，让国际象棋不再难懂。借助 ElevenLabs 和这些出色的新音色，我们朝着实现这一愿景迈出了重要一步。”
“ElevenLabs 让我们能轻松将强大的文本转语音功能快速集成到 SDK 中，使智能体可以用富有表现力的声音实时回答用户问题，或针对所见内容提供反馈。”
“Twilio 已将 ElevenLabs 的生成式 AI 语音技术集成到其 CPaaS 中，增强了 ConversationRelay。借助此次集成，企业和开发者可直接通过 Twilio CPaaS 平台创建听起来自然、富有表现力且能实时响应的对话式 AI 语音交互。我们很高兴 Twilio 选择 ElevenLabs，以现有最具表现力、最接近真人的声音增强 ConversationRelay。”

面向生产环境构建的 API

传输和静态存储的数据均经过加密，支持符合 SOC 2、HIPAA 和 GDPR 要求。提供欧盟数据驻留和零保留模式，满足更严格的数据控制需求。

提供官方 Python 和 TypeScript SDK，具备类型安全、流式传输支持和清晰示例。

团队将确保顺利上线并保障稳定运行，提供一致的性能和可靠保障。

文本转语音 API

超逼真、低延迟的语音生成