Text to Speech
Überblick
Die ElevenLabs API für Text to Speech (TTS) wandelt Text in lebensechtes Audio mit nuancierter Intonation, Sprechtempo und emotionalem Verständnis um. Unsere Modelle passen sich an textliche Hinweise in 32 Sprachen und mehreren Stilstimmen an und können verwendet werden, um:
- Globale Medienkampagnen und Werbung zu vertonen
- Hörbücher in mehreren Sprachen mit komplexer emotionaler Sprechweise zu produzieren
- Audio in Echtzeit aus Text zu streamen
Hören Sie sich ein Beispiel an:
Entdecken Sie unsere Stimmbibliothek, um die passende Stimme für Ihr Projekt zu finden.
Stimmqualität
Für Echtzeitanwendungen bietet Flash v2.5 eine extrem niedrige Latenz von 75 ms, während Multilingual v2 Audio in höchster Qualität mit nuancierterem Ausdruck liefert.
Stimmoptionen
ElevenLabs bietet über mehrere Erstellungsmethoden Tausende Stimmen in 32 Sprachen:
- Stimmbibliothek mit über 10.000 von der Community geteilten Stimmen
- Professionelles KI-Stimme klonen für Repliken mit höchster Wiedergabetreue
- Sofortiges KI-Stimme klonen für schnelle Stimmreplikation
- Stimmgestaltung zum Generieren individueller Stimmen aus Textbeschreibungen
Erfahren Sie mehr über unsere Stimmoptionen.
Audioeffekte
Audioeffekte bearbeiten generierte Sprache nach, damit sie klingt, als wäre sie an einem bestimmten Ort aufgenommen worden, ohne dass sie anschließend bearbeitet werden muss. Legen Sie eine beliebige Kombination fest aus:
- Filtervoreinstellung: Färbt die Stimme, zum Beispiel wie eine Telefonleitung, ein altes Radio oder ein Roboter.
- Entfernung: Entfernt den Sprecher vom Mikrofon.
- Umgebung: Platziert die Stimme in einem Raum mit Nachhall, etwa einem kleinen Raum oder einer Halle.
- Hintergrundgeräusch: Legt unter die Stimme eine wiederholte Hintergrundkulisse wie ein Café oder Tastaturtippen.
- Panorama: Positioniert die Stimme zwischen dem linken und rechten Kanal.
Effekte sind über den Parameter audio_effects für die Endpunkte Text to Speech und Text to Dialogue verfügbar, einschließlich Streaming- und zeitgestempelter Anfragen. Listen Sie die verfügbaren Filtervoreinstellungen, Umgebungen und Hintergrundgeräusche mit dem Katalog für Audioeffekte auf. Agents können ebenfalls einen Sprachfilter anwenden; siehe Audioumgebung. Fügen Sie in der App Effekte über den Text to Speech-Playground hinzu.
Effekte ändern die Kosten einer Anfrage nicht.
Nachhall (eine environment_id mit einem send_level über 0) und ein von null abweichender pan erzeugen Stereo-
Audio. Anfragen, die dies mit den Mono-Ausgabeformaten pcm_*, ulaw_* oder alaw_* kombinieren, werden
mit einem Fehler 400 abgelehnt.
Unterstützte Ausgabeformate
Das Standard-Antwortformat ist mp3, aber auch andere Formate wie pcm und ulaw sind verfügbar.
- MP3
- Abtastraten: 22,05 kHz – 44,1 kHz
- Bitraten: 32 kbps – 192 kbps
- 22,05 kHz bei 32 kbps
- 44,1 kHz bei 32 kbps, 64 kbps, 96 kbps, 128 kbps, 192 kbps
- PCM (S16LE)
- Abtastraten: 16 kHz – 44,1 kHz
- Bitraten: 8 kHz, 16 kHz, 22,05 kHz, 24 kHz, 44,1 kHz, 48 kHz
- 16-Bit-Tiefe
- μ-law
- Abtastrate: 8 kHz
- Optimiert für Telefonieanwendungen
- A-law
- Abtastrate: 8 kHz
- Optimiert für Telefonieanwendungen
- Opus
- Abtastrate: 48 kHz
- Bitraten: 32 kbps – 192 kbps
Audiooptionen mit höherer Qualität sind nur in kostenpflichtigen Tarifen verfügbar. Details finden Sie auf unserer Preisseite .
Unterstützte Sprachen
Unsere mehrsprachigen v2-Modelle unterstützen 29 Sprachen:
Englisch (USA, UK, Australien, Kanada), Japanisch, Chinesisch, Deutsch, Hindi, Französisch (Frankreich, Kanada), Koreanisch, Portugiesisch (Brasilien, Portugal), Italienisch, Spanisch (Spanien, Mexiko), Indonesisch, Niederländisch, Türkisch, Filipino, Polnisch, Schwedisch, Bulgarisch, Rumänisch, Arabisch (Saudi-Arabien, VAE), Tschechisch, Griechisch, Finnisch, Kroatisch, Malaiisch, Slowakisch, Dänisch, Tamil, Ukrainisch & Russisch.
Flash v2.5 unterstützt 32 Sprachen – alle Sprachen der v2-Modelle sowie:
Ungarisch, Norwegisch & Vietnamesisch
Geben Sie einfach Text in einer unserer unterstützten Sprachen ein und wählen Sie eine passende Stimme aus unserer Stimmbibliothek. Für die natürlichsten Ergebnisse wählen Sie eine Stimme mit einem Akzent, der zu Ihrer Zielsprache und -region passt.
Prompting
Die Modelle interpretieren den emotionalen Kontext direkt aus der Texteingabe. Das Hinzufügen beschreibender Texte wie „sagte sie aufgeregt“ oder die Verwendung von Ausrufezeichen beeinflusst die Emotion der Sprache. Stimmeinstellungen wie Stabilität und Ähnlichkeit helfen, die Konsistenz zu steuern, während die zugrunde liegende Emotion aus textlichen Hinweisen stammt.
Lesen Sie den Prompting-Leitfaden für weitere Details.
Beschreibender Text wird vom Modell gesprochen und muss bei Bedarf manuell aus dem Audio herausgeschnitten oder entfernt werden.
FAQ
Kann ich meine eigene Stimme klonen?
Ja, Sie können aus kurzen Audioclips sofortige Stimmklone Ihrer eigenen Stimme erstellen. Für hochpräzise Klone informieren Sie sich über unsere Funktion zum professionellen KI-Stimme klonen.
Besitze ich die Audioausgabe?
Ja. Sie behalten das Eigentum an allen Audiodateien, die Sie generieren. Kommerzielle Nutzungsrechte sind jedoch nur mit kostenpflichtigen Tarifen verfügbar. Mit einem kostenpflichtigen Abonnement können Sie generierte Audiodateien kommerziell nutzen und die Ausgaben monetarisieren, wenn Sie die IP-Rechte an den Eingabeinhalten besitzen.
Was gilt als kostenlose Neugenerierung?
Mit einer kostenlosen Neugenerierung können Sie denselben Text-to-Speech-Inhalt ohne zusätzliche Kosten neu generieren, unter folgenden Bedingungen:
- Sie können jeden Inhalt bis zu zweimal kostenlos neu generieren
- Der Inhalt muss exakt derselbe sein wie bei der vorherigen Generierung. Änderungen am Text, an Stimmeinstellungen oder anderen Parametern erfordern eine neue, kostenpflichtige Generierung
Kostenlose Neugenerierungen sind nützlich, wenn die Audioausgabe leicht verzerrt ist. Nach den internen Benchmarks von ElevenLabs beheben Neugenerierungen etwa die Hälfte der Qualitätsprobleme. Die verbleibenden Probleme sind meist auf schlechte Trainingsdaten zurückzuführen.
Wie reduziere ich die Latenz für Echtzeit-Anwendungsfälle?
Verwenden Sie die latenzarmen Flash-Modelle (Flash v2 oder v2.5), die für nahezu Echtzeit- Gesprächs- oder interaktive Szenarien optimiert sind. Weitere Details finden Sie in unserem Leitfaden zur Latenzoptimierung .
Warum ist meine Ausgabe manchmal inkonsistent?
Die Modelle sind nicht deterministisch. Verwenden Sie für mehr Konsistenz den optionalen Parameter seed , wobei dennoch geringfügige Unterschiede auftreten können.
Was ist die beste Vorgehensweise für große Textkonvertierungen?
Teilen Sie lange Texte in Abschnitte auf und verwenden Sie Streaming für die Echtzeitwiedergabe und effiziente Verarbeitung. Um einen natürlichen Prosodiefluss zwischen Abschnitten beizubehalten, fügen Sie die Parameter für vorherigen/nächsten Text oder vorherige/nächste Anfrage-ID ein.
Wichtige Fakten
- Determinismus: Die Ausgabe ist nicht deterministisch — verwenden Sie den Parameter
seedfür konsistentere Ergebnisse - Audioeffekte: Fügen Sie mit
audio_effectsohne Zusatzkosten eine Filtervoreinstellung, Entfernung, Nachhall, Hintergrundgeräusche oder Panorama hinzu - Kostenlose Neugenerierungen: Bis zu 2 kostenlose Neugenerierungen pro Generierung (nur bei gleichem Inhalt und gleichen Parametern)
- Eigentum: Sie behalten das Eigentum an generierten Audiodateien; die kommerzielle Nutzung erfordert einen kostenpflichtigen Tarif
- Anwendungsfälle mit geringer Latenz: Verwenden Sie Flash-Modelle (
eleven_flash_v2odereleven_flash_v2_5) — siehe den Leitfaden zur Latenzoptimierung - Lange Texte: Teilen Sie lange Texte in Abschnitte auf; verwenden Sie die Parameter
previous_text/next_text, um eine natürliche Prosodie über Abschnitte hinweg beizubehalten