ElevenLabs V3 Text to Speech API

elevenlabs/tts/eleven-v3

ElevenLabs V3 Text to Speech 将文稿转为情感丰富的语音,支持音频标签与70多种语言。通过文本引导语气、停顿和情绪变化,配合稳定性设置塑造旁白与角色演绎。

输入

280/5000

示例

第一次包好饺子

第一次包好饺子 — 自然的中文口语节奏,带着犹疑、笑意和生活中的温暖。

为什么乐器音色不同

为什么乐器音色不同 — 有感染力的知识讲解,同时展示数字读法和时间戳附件。

ElevenLabs V3 Text to Speech

ElevenLabs V3 Text to Speech 是 ElevenLabs 面向富有情感的旁白与角色演绎打造的语音模型,将书面文稿转为可试听、下载的配音。它结合音频标签、标点与叙事上下文理解表达意图,让低语、惊喜和笑声融入台词。配合多语言表达与稳定性调节,可围绕选定音色制作视频旁白、有声书片段和游戏角色语音。

为什么选择 ElevenLabs V3?

  • 在文稿中引导情绪在语气需要变化的位置加入音频标签,让一段文稿从好奇转为兴奋,或切换为低语,直接用文字安排演绎。

  • 用选定音色制作多语言配音使用选定音色生成70多种语言的语音,分别输入本地化文稿并指定语言,为视频、课程和故事制作配音。

  • 为不同场景调整表达结合音色、稳定性与标点,调整沉稳旁白或生动角色的表达方式。先用短段落对比试听,再制作其余文稿。

语音参数

参数要求作用与用法
text必填

输入去除首尾空白后为1至5,000字符的文稿。在文字中加入 [whispers] 或 [excited] 等音频标签,引导演绎方式。

voice可选

从21个预设音色中选择,用一小段文稿试听,找到适合旁白或角色的声音。

默认值RachelAriaRogerSarahLauraCharlieGeorgeCallumRiverLiamCharlotteAliceMatildaWillJessicaEricChrisBrianDanielLilyBill
stability可选

取值为0至1。较低设置偏向丰富的演绎变化,较高设置偏向平稳表达。建议从0.5开始,用同一段文稿比较。

默认值0.50–1
timestamps可选

设为 true 时请求时间对齐数据,结果会在音频之外附带独立的 timestamps.json 文件。

默认值falsetrue
language_code可选

可填写 en、zh、es 等 ISO 639-1 语言代码指定朗读语言;留空时自动识别文本语言。

apply_text_normalization可选

选择 auto 自动处理文本规范化,on 开启处理,off 用于已按朗读方式整理好的文稿。文本规范化有助于将数字与符号转成口语表达。

默认值autoonoff

制作第一段配音

  1. 写好文稿在 Text 中输入文稿,用标点组织节奏,并在语气变化处加入 [whispers] 等明确的标签。

  2. 选择音色与语言选择 Voice,将 Stability 从0.5起步。通过 Language Code 指定语言,或留空自动识别。

  3. 设置文本处理并运行用 Apply Text Normalization 处理数字与符号。需要对齐数据时开启 Timestamps,查看显示的费用后点击 Run。

  4. 试听并调整试听完成的音频并下载选定版本。每次调整一个标签或设置,用同一段文稿比较表达变化。

按字符计费

ElevenLabs V3 Text to Speech 每1,000个输入字符收费 $0.08,即16 credits。按去除首尾空白后的实际字符数比例计算;文稿中的音频标签、标点和内部空格均计入字符数。

文本长度费用计算方式
100字符$0.008 · 1.6 credits100 × 16 / 1000 = 1.6 credits
1,000字符$0.08 · 16 credits1000 × 16 / 1000 = 16 credits
5,000字符$0.40 · 80 credits5000 × 16 / 1000 = 80 credits

让情感表达发挥作用的场景

  • 视频旁白将讲解、旅行故事或产品文稿转为配音,根据内容安排重音与停顿,让旁白承接叙事。

  • 有声书片段让讲述者通过低语、反应和停顿铺陈悬念。按场景制作片段,试听节奏后再组合成章节。

  • 游戏角色台词为单个角色制作兴奋、迟疑或释然的台词,沿用选定音色,为每个情境调整标签。

  • 多语言教学内容输入不同语言的课程文稿,选择清晰音色与平稳表达,并请求时间戳作为制作时的对齐参考。

让音频标签更好地服务表达

  • 在语气需要变化的位置放置标签,例如:[whispers] 这件事先替我保密。每个短句先使用一个明确的指令。
  • 先挑选契合场景的音色,用同一句台词试听两三种声音,再细化情绪指令。
  • 按听觉节奏写作:使用完整短句,以逗号组织语意,用省略号引导停顿,生成前先朗读一遍文稿。
  • 将 Stability 从0.5起步。情绪丰富的场景可比较较低设置,平稳旁白可比较较高设置。
  • 将长稿按场景或段落拆分,每次请求控制在5,000字符以内,并在各段沿用相同音色与语言设置。

将语音用于制作流程

  • 处理日期、金额与缩写时,先开启文本规范化试听短片段,再按目标读法调整措辞。
  • 开启 Timestamps 后,将 timestamps.json 与音频一起下载,作为字幕或剪辑流程中的时间对齐参考。

探索更多音频模型

ElevenLabs V3 Text to Speech API 常见问题

ElevenLabs V3 Text to Speech API 是什么?

ElevenLabs V3 Text to Speech 是 ElevenLabs 用于将文稿转为富有情感的语音的模型。它支持音频标签与70多种语言,可制作旁白和角色台词。模型结合标签、标点与叙事上下文理解表达意图,让你围绕选定音色引导语气,并用稳定性设置调整演绎。你可以通过 API 进行程序化调用,也可以在上方体验区直接在线试用。

ElevenLabs V3 如何使用音频标签?

在 Text 中用方括号写入演绎指令,例如在揭晓结果前加入 [excited],在轻声台词前加入 [whispers]。将标签放在语气需要变化的位置,并保持前后句子自然连贯。先用一个明确指令试听,再调整措辞或音色。

ElevenLabs V3 能演绎低语与笑声吗?

可以。使用 [whispers]、[laughs]、[sighs] 等标签,可以引导低语、笑声与叹息。选择适合场景的音色,并将提示放在相关台词旁,让声音反应有明确的叙事上下文。

ElevenLabs V3 支持哪些语言?

ElevenLabs V3 支持70多种语言,包括英语、普通话、西班牙语、法语、日语和韩语。输入目标语言文稿,可通过 Language Code 填写 en 或 zh 等代码指定语言。制作多语言版本时,分别提供各语言的译稿,并试听选定音色。

ElevenLabs V3 的稳定性如何影响语音?

Stability 用于调整演绎变化与平稳表达之间的取向。可从0.5开始,在0至1范围内,为生动角色比较较低设置,为沉稳旁白比较较高设置。对比时固定文稿与音色,便于判断设置带来的变化。

ElevenLabs V3 的长文稿如何分段?

每次请求控制在5,000字符以内,包含文稿中的音频标签、标点与内部空格。按段落或场景边界拆分,让每段保有演绎所需的上下文。沿用相同音色与语言设置,并在组合音频时检查段落衔接。

ElevenLabs V3 如何朗读数字?

文本规范化有助于将书面数字与符号转成口语表达。将 Apply Text Normalization 设为 auto 自动处理,或设为 on 开启规范化。先用包含日期或金额的短段落试听;需要特定读法时,可直接将文字写成目标朗读形式。

ElevenLabs V3 能返回时间戳吗?

可以。开启 Timestamps 后,生成语音时会同时请求时间对齐数据。完成结果中包含独立的 timestamps.json 附件,可与音频一起下载,用于字幕或剪辑时的时间对齐参考。