ElevenLabs V4 Text to Speech API

elevenlabs/tts/eleven-v4

ElevenLabs V4 Text to Speech 将文稿转为富有情感的旁白与角色演绎,支持行内音频标签和90多种语言。按场景调整稳定性与音色相似度,并输出 MP3、PCM、Opus 或电话音频。

输入

291/5000

示例

山间茶馆的第一壶茶

山间茶馆的第一壶茶 — 温和的中文迎宾词,中间带一声轻笑。

带时间戳的西班牙语跑鞋广告

带时间戳的西班牙语跑鞋广告 — 节奏明快的西班牙语广告口播,并返回时间数据。

ElevenLabs V4 Text to Speech

ElevenLabs V4 Text to Speech 是 ElevenLabs 于2026年9月发布的模型,用于制作富有表现力的配音和角色演绎。它结合行内音频标签、标点与上下文理解语气,让一段文稿在平静、低语和笑声之间自然切换。稳定性、相似度、语言提示和19种输出格式,帮助你把结果接入视频、有声书或游戏制作流程。

为什么选择 ElevenLabs V4?

  • 在文稿中直接指导演绎在语气需要变化的位置写入 [whispers]、[laughs] 或 [excited]。一段文稿即可包含多个情绪节拍,无需拆分请求。

  • 让音色贴合角色使用任意 ElevenLabs 音色名称或音色 ID,再通过稳定性和相似度,让旁白更沉稳或角色更生动。

  • 按流程需要输出音频从19种输出格式中选择:视频用192 kbps MP3,后期编辑用原始 PCM,电话系统用 µ-law 或 A-law。

  • 用时间数据对齐字幕开启 timestamps 后,音频旁会额外返回时间文件,可用于字幕、口型对齐或剪辑点。

语音参数

参数要求作用与用法
text必填

要朗读的文稿,按原样计数为1–5,000个字符,空格、换行和音频标签均计入。在语气需要变化的位置加入 [whispers]、[excited] 等标签。

voice可选

ElevenLabs 音色名称或音色 ID。可选择 Rachel、George、Lily 等推荐预设,也可以填入其他 ElevenLabs 音色的 ID。

默认值Rachel
stability可选

取值0–1。数值越低,表达变化越丰富;数值越高,各句之间的语气越平稳。

默认值0.50–1
similarity_boost可选

取值0–1,设置语音与所选音色特征的贴近程度。

默认值0.750–1
output_format可选

返回音频的编码、采样率与码率:22.05或44.1 kHz 的 MP3、8–48 kHz 的原始 PCM、适合电话场景的8 kHz µ-law 与 A-law,以及48 kHz 的 Opus。

默认值mp3_44100_128mp3_22050_32mp3_44100_32mp3_44100_64mp3_44100_96mp3_44100_192pcm_8000pcm_16000pcm_22050pcm_24000pcm_44100pcm_48000ulaw_8000alaw_8000opus_48000_32opus_48000_64opus_48000_96opus_48000_128opus_48000_192
apply_text_normalization可选

auto 自动判断何时把数字、日期和符号转成读法,on 始终规范化,off 按你已写成口语的文本直接朗读。

默认值autoonoff
timestamps可选

设为 true 时,额外返回一个记录语音时间信息的文件,与音频一同提供。

默认值falsetrue
language_code可选

可选的 ISO 639-1 语言代码,如 en、zh 或 es,用于指定朗读语言;留空时由模型根据文稿识别语言。

四步生成语音

  1. 编写文稿在 Text 中输入最多5,000个字符,并在语气变化处加入音频标签。

  2. 选择音色输入或选择 Voice,Stability 从0.5、Similarity Boost 从0.75开始。

  3. 设置格式与语言按用途设置 Output Format,需要时填写 Language Code,制作字幕时开启 Timestamps。

  4. 运行并试听在 Run 按钮上确认费用后点击 Run,任务完成后试听并下载音频。

按字符计费

ElevenLabs V4 Text to Speech 每1,000个字符收费 $0.08,即16 credits。提交的每个字符都会计入,包括空格、换行和音频标签;其他设置不影响价格。

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

适用场景

  • YouTube 与讲解视频配音用标签安排重音和停顿,让旁白跟上剪辑节奏。

  • 有声书章节把章节拆成不超过5,000字符的段落,并在各段沿用相同音色与设置。

  • 带情绪转折的广告口播在30秒文稿中从好奇过渡到兴奋,并导出192 kbps MP3 用于最终混音。

  • 多语言本地化配音为每种译文填写语言代码并使用同一音色,保持统一的品牌声音。

使用技巧

  • 在需要影响的词句前放一个明确的标签,例如 [whispers] I can hear it too。
  • 在同一句上比较 Stability 0.3 和0.6,再确定旁白风格。
  • 需要控制读音的产品名等内容,可按期望的读法书写,或在斜杠之间尝试 IPA 音标。
  • 拆分长文稿时保持相同的 Voice、Stability 和 Similarity Boost,让各段自然衔接。
  • 计划后期剪辑或混音时选择 PCM,直接播放时选择 MP3 或 Opus。

为工作流准备音频

  • PCM、µ-law 与 A-law 为不含 WAV 文件头的原始音频,播放器需要容器时请在音频工具中封装或转换。
  • 开启 timestamps 后请读取 files 中的每一项:音频和时间文件会作为独立条目返回。

ElevenLabs V4 Text to Speech API 常见问题

ElevenLabs V4 Text to Speech API 是什么?

ElevenLabs V4 Text to Speech 是 ElevenLabs 用于将文稿转为富有表现力语音的模型。它可以用90多种语言生成旁白和角色台词,并通过行内音频标签控制情绪、停顿和反应。模型结合标签、标点与上下文理解演绎意图,同时由你控制音色、稳定性、相似度和输出格式。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 V4 与 ElevenLabs V3 有什么区别?

ElevenLabs V4 是2026年9月发布的新一代模型,支持90多种语言,V3 为70多种。在 Vidgo 上,V4 还新增 Similarity Boost、19种输出格式,以及预设列表之外的音色 ID,价格仍为每千字符16 credits($0.08)。

ElevenLabs V4 如何使用音频标签?

在 Text 中用方括号写入演绎指令,如 [whispers]、[laughs] 或 [excited],放在需要影响的词句之前。标签计入字符数。建议每个短语先用一个标签,试听后再增加。

ElevenLabs V4 一次能处理多长的文稿?

每次请求接受1–5,000个字符,按提交原文计数,包括空格、换行和标签。更长的文稿请按段落或场景拆分,并在各部分沿用相同的音色设置。

ElevenLabs V4 支持哪些输出格式?

Output Format 提供19个取值:22.05或44.1 kHz、32–192 kbps 的 MP3,8–48 kHz 的原始 PCM,8 kHz 的 µ-law 与 A-law,以及48 kHz、32–192 kbps 的 Opus。默认值为 mp3_44100_128。

ElevenLabs V4 可以使用我自己的 ElevenLabs 音色吗?

Voice 接受 ElevenLabs 音色名称或音色 ID。可使用 Rachel、George 等推荐预设,也可以粘贴其他 ElevenLabs 音色的 ID,并在对比时保持 Stability 与 Similarity Boost 不变。

ElevenLabs V4 能返回用于字幕的时间戳吗?

可以。将 timestamps 设为 true,任务完成后 files 中会在音频之外额外包含一个时间文件,可用于放置字幕或对齐剪辑。

ElevenLabs V4 每次请求费用是多少?

ElevenLabs V4 每1,000字符收费16 credits($0.08)。1,000字符的文稿为16 credits,完整的5,000字符请求为80 credits($0.40)。