Text to Speech
Aprenda a transformar texto em áudio falado realista com a ElevenLabs.
Visão geral
A API de Text to Speech (TTS) da ElevenLabs transforma texto em áudio realista, com entonação, ritmo e percepção emocional sofisticados. Nossos modelos se adaptam a pistas textuais em 32 idiomas e vários estilos de voz e podem ser usados para:
- Narrar campanhas globais de mídia e anúncios
- Produzir audiolivros em vários idiomas com interpretações emocionais complexas
- Transmitir áudio em tempo real a partir de texto
Ouça um exemplo:
Explore nossa Voice Library para encontrar a voz perfeita para seu projeto.
Qualidade de voz
Para aplicações em tempo real, o Flash v2.5 oferece latência ultrabaixa de 75 ms, enquanto o Multilingual v2 fornece áudio da mais alta qualidade com expressão mais sofisticada.
Opções de voz
A ElevenLabs oferece milhares de vozes em 32 idiomas por meio de vários métodos de criação:
- Voice Library com mais de 10.000 vozes compartilhadas pela comunidade
- Clonagem de voz profissional para réplicas com a maior fidelidade
- Clonagem de voz instantânea para replicar vozes rapidamente
- Design de voz para gerar vozes personalizadas a partir de descrições de texto
Saiba mais sobre nossas opções de voz.
Efeitos de áudio
Os efeitos de áudio pós-processam a fala gerada para que ela soe como se tivesse sido gravada em um local específico, sem precisar editá-la depois. Defina qualquer combinação de:
- Predefinição de filtro: caracteriza a voz, como uma linha telefônica, um rádio antigo ou um robô.
- Distância: afasta o locutor do microfone.
- Ambiente: coloca a voz em um espaço reverberante, como uma sala pequena ou um salão.
- Ruído de fundo: reproduz continuamente um som ambiente, como um café ou digitação no teclado, sob a voz.
- Panorama: posiciona a voz entre os canais esquerdo e direito.
Os efeitos estão disponíveis nos endpoints Text to Speech e Text to Dialogue, incluindo solicitações de streaming e com marcação de tempo, por meio do parâmetro audio_effects. Liste as predefinições de filtro, os ambientes e os ruídos de fundo disponíveis com o catálogo de efeitos de áudio. Os agentes também podem aplicar um filtro de voz; consulte Ambiente de áudio. No app, adicione efeitos no playground de Text to Speech.
Os efeitos não alteram o custo de uma solicitação.
A reverberação (um environment_id com send_level acima de 0) e um pan diferente de zero produzem áudio estéreo.
Solicitações que os combinam com os formatos de saída mono pcm_*, ulaw_* ou alaw_* são
rejeitadas com um erro 400.
Formatos de saída compatíveis
O formato de resposta padrão é mp3, mas outros formatos, como pcm e ulaw, estão disponíveis.
- MP3
- Taxas de amostragem: 22.05kHz - 44.1kHz
- Taxas de bits: 32kbps - 192kbps
- 22.05kHz @ 32kbps
- 44.1kHz @ 32kbps, 64kbps, 96kbps, 128kbps, 192kbps
- PCM (S16LE)
- Taxas de amostragem: 16kHz - 44.1kHz
- Taxas de bits: 8kHz, 16kHz, 22.05kHz, 24kHz, 44.1kHz, 48kHz
- Profundidade de 16 bits
- μ-law
- Taxa de amostragem de 8kHz
- Otimizado para aplicações de telefonia
- A-law
- Taxa de amostragem de 8kHz
- Otimizado para aplicações de telefonia
- Opus
- Taxa de amostragem: 48kHz
- Taxas de bits: 32kbps - 192kbps
As opções de áudio de maior qualidade estão disponíveis apenas em planos pagos. Consulte nossa página de preços para mais detalhes.
Idiomas compatíveis
Nossos modelos multilíngues v2 oferecem suporte a 29 idiomas:
Inglês (EUA, Reino Unido, Austrália, Canadá), Japonês, Chinês, Alemão, Hindi, Francês (França, Canadá), Coreano, Português (Brasil, Portugal), Italiano, Espanhol (Espanha, México), Indonésio, Holandês, Turco, Filipino, Polonês, Sueco, Búlgaro, Romeno, Árabe (Arábia Saudita, Emirados Árabes Unidos), Tcheco, Grego, Finlandês, Croata, Malaio, Eslovaco, Dinamarquês, Tâmil, Ucraniano e Russo.
O Flash v2.5 oferece suporte a 32 idiomas — todos os idiomas dos modelos v2, além de:
Húngaro, Norueguês e Vietnamita
Basta inserir texto em qualquer um dos nossos idiomas compatíveis e selecionar uma voz correspondente na nossa Voice Library. Para obter os resultados mais naturais, escolha uma voz com sotaque que corresponda ao idioma e à região de destino.
Prompting
Os modelos interpretam o contexto emocional diretamente da entrada de texto. Por exemplo, adicionar texto descritivo como “ela disse animada” ou usar pontos de exclamação influencia a emoção da fala. Configurações de voz como Estabilidade e Similaridade ajudam a controlar a consistência, enquanto a emoção subjacente vem de pistas textuais.
Leia o guia de prompting para mais detalhes.
O texto descritivo será falado pelo modelo e deverá ser cortado ou removido manualmente do áudio, se desejado.
Perguntas frequentes
Posso clonar minha própria voz?
Sim, você pode criar clones de voz instantâneos da sua própria voz a partir de clipes curtos de áudio. Para clones de alta fidelidade, confira nosso recurso de clonagem de voz profissional.
Eu sou proprietário da saída de áudio?
Sim. Você mantém a propriedade de qualquer áudio gerado. No entanto, os direitos de uso comercial estão disponíveis apenas em planos pagos. Com uma assinatura paga, você pode usar o áudio gerado para fins comerciais e monetizar as saídas se tiver os direitos de propriedade intelectual do conteúdo de entrada.
O que se qualifica como uma regeneração gratuita?
Uma regeneração gratuita permite gerar novamente o mesmo conteúdo de texto em fala sem custo adicional, sujeita às seguintes condições:
- Você pode regenerar cada conteúdo até 2 vezes gratuitamente
- O conteúdo precisa ser exatamente igual ao da geração anterior. Qualquer alteração no texto, nas configurações de voz ou em outros parâmetros exigirá uma nova geração paga
Regenerações gratuitas são úteis caso haja uma leve distorção na saída de áudio. Segundo os benchmarks internos da ElevenLabs, as regenerações resolvem aproximadamente metade dos problemas de qualidade, e os problemas restantes geralmente se devem a dados de treinamento de baixa qualidade.
Como reduzo a latência em casos de tempo real?
Use os modelos Flash de baixa latência (Flash v2 ou v2.5), otimizados para cenários conversacionais ou interativos quase em tempo real. Consulte nosso guia de otimização de latência para mais detalhes.
Por que minha saída às vezes é inconsistente?
Os modelos não são determinísticos. Para obter consistência, use o parâmetro seed opcional, embora ainda possam ocorrer diferenças sutis.
Qual é a melhor prática para conversões de texto grandes?
Divida textos longos em segmentos e use streaming para reprodução em tempo real e processamento eficiente. Para manter o fluxo natural de prosódia entre as partes, inclua os parâmetros de texto anterior/próximo ou ID da solicitação anterior/próxima.
Informações principais
- Determinismo: A saída não é determinística — use o parâmetro
seedpara resultados mais consistentes - Efeitos de áudio: Adicione uma predefinição de filtro, distância, reverberação, ruído de fundo ou panorama com
audio_effectssem custo extra - Regenerações gratuitas: Até 2 regenerações gratuitas por geração (apenas com o mesmo conteúdo e parâmetros)
- Propriedade: Você mantém a propriedade do áudio gerado; o uso comercial exige um plano pago
- Casos de uso de baixa latência: Use modelos Flash (
eleven_flash_v2oueleven_flash_v2_5) — consulte o guia de otimização de latência - Texto longo: Divida textos longos em segmentos; use os parâmetros
previous_text/next_textpara manter a prosódia natural entre as partes