elevenlabs-tts

ElevenLabs TTS 生产

将语音生成视为选角、脚本改编、表演指导、渲染和后期制作，而不是一次 API 调用。优先优化听众体验和交付渠道，再考虑延迟或成本。

证据标签

根据标签理解指导：

• 已记录 — ElevenLabs 文档、API 参考或当前政策明确说明了这一点。
• 标准 — 某项明确命名的语音/音频标准对此作出说明。
• 制作经验法则 — 实用的起点；请在实际语音、模型、脚本和渠道中验证。
• 推断 — 根据已记录的行为得出的结论；依赖前请先测试。

本技能中易变的 ElevenLabs 信息已于 2026-07-09 核实。在进行影响重大的生产任务前，请查询 GET /v1/models，检查选定的语音，并重新确认当前 API 参考、套餐权益、政策和条款。切勿根据旧语音名称或模型列表推断当前可用性。

范围界定

将本技能用于渲染语音和语音制作。不要扩展到以下内容：

• 音乐或音效生成；
• 对话系统逻辑、轮流发言、工具、电话编排或对话式 Agent 提示词；
• 语音转语音，除非是为了解释它为何不属于 TTS；
• 通用转录、配音或本地化工作流；
• 法律结论。涉及权利的问题应交由具备资质的人员审查。

语音转文本只能作为一项 TTS 质检信号，不能替代聆听。

从制作规范开始

选择模型前，请先记录以下内容：

1. 受众、语言、地区口音和无障碍需求；
2. 媒介和用途：视频旁白、有声书、广告、游戏角色、课程、IVR 或实时播放；
3. 表演风格：可信、亲切、克制、滑稽、急切、戏剧化等；
4. 目标时长和同步限制；
5. 延迟模式：离线、完整文本流式传输或增量文本流式传输；
6. 文本量和修订模式；
7. 身份要求：预置/库内、设计、自定义语音克隆（IVC）或专业语音克隆（PVC）；
8. 发音清单：姓名、品牌、缩写、数字、URL、公式和代码；
9. 交付格式、采样率、声道、响度规范以及字幕/时间需求；
10. 权利、同意、披露、隐私、套餐和预算限制。

不要仅凭展示用句子批准某个语音。请用实际脚本中最难处理的 20–40 秒内容试听入围选项：包括情绪转折、专有名词、数字和语言切换。

根据任务选择模型

文档记录，已于 2026-07-09 验证： 当前核心 TTS 模型 ID 和每次请求的限制列于 ElevenLabs 模型页面。执行前请查询模型端点。

模型	适用场景	重要限制与权衡
eleven_v3	性能、戏剧化表现范围、内联音频标签、广泛的多语言工作或原生 IPA 控制至关重要时。	每次请求最多 5,000 个字符；支持 70 多种语言。TTS 输入 WebSocket 和请求拼接不支持 v3。不支持 SSML 停顿标签。不可使用 Speaker Boost。更强的表现力可能增加变化和瑕疵风险。
eleven_multilingual_v2	稳定的长篇旁白、专业配音和高保真多语言内容比最低延迟更重要时。	每次请求最多 10,000 个字符；支持 29 种语言。官方指南将其列为最稳定的长篇模型。此模型不支持 language_code。请使用别名词典，而非音素标签。
eleven_flash_v2_5	低延迟、大规模处理或增量 TTS 很重要，且内容涵盖其支持的 32 种语言时。	每次请求最多 40,000 个字符；典型短输入的模型推理时间约为 75 ms，不含网络／应用延迟。合成前请规范化数字、日期、货币、URL 和缩写。
eleven_flash_v2	英语低延迟工作需要支持音素标签时。	仅支持英语；每次请求最多 30,000 个字符。支持音素标签和 TTS WebSocket 输入流式传输。

文档记录： ElevenLabs 表示，Turbo v2/v2.5 在功能上分别等同于对应的 Flash 模型，但平均速度更慢，因此建议使用 Flash。旧版 eleven_monolingual_v1 和 eleven_multilingual_v1 计划于 2026-07-09 移除；请勿基于它们开展新工作。仍然可见的旧版 ID 均应仅用于迁移。

生产经验法则： 使用两种合理的模型／声音组合，生成同一段具有挑战性的试音内容。根据盲听、发音准确度、时序和修改后的稳定性进行选择，而非依据服务提供商的营销形容词。

调整设置前先选定声音

文档记录： ElevenLabs 的产品指南将声音选择排在模型选择和设置之前。声音承载着其原有口音、语速节奏、音色、录音特征和表现范围。

可从以下选项中选择：

• 声音库／社区 PVC： 快速获得可用于生产的声音。按语言、口音、类别、年龄和 Studio Quality 筛选。留意声音的通知期限和 disable_at_unix；共享声音可能会变得不可用。请保留已批准的备用声音，并准备迁移测试。
• 声音设计： 在没有合适的现有声音，且可以接受合成身份时使用。先描述母语和方言，再描述感知年龄、声音厚重度／音色、语速、角色设定、情绪和录音质量。使用能真实体现预期表现的脚本内容进行预览。
• 即时声音克隆（IVC）： 在获得明确授权的前提下，用于快速探索或个性化。文档记录： 建议使用约 1–2 分钟干净、稳定的单人音频；超过三分钟可能没有帮助。IVC 会模仿表现和录音瑕疵，以及声音特征。
• 专业声音克隆（PVC）： 在身份还原度和可重复的生产质量值得投入精心整理的数据集并完成验证时使用。文档记录，已于 2026-07-09 验证： PVC 创建仅限克隆你自己的声音；说话者授权并不能让制作方创建他人的 PVC。当前产品指南建议至少提供一小时、最好接近三小时的干净单人语音音频。PVC 训练不支持歌唱。声音所有者必须通过受支持的流程自行创建并验证 PVC，然后在可用时使用已批准的共享／工作区控制。

试听评分矩阵

比较不同声音时，固定文本、模型和输出格式。按以下各项分别打 1–5 分：

• 语义清晰度；
• 目标口音和音素准确性；
• 与角色和受众的契合度；
• 情绪表现力，以及避免表演过度的能力；
• 语速和呼吸表现；
• 三次生成中的声音身份一致性；
• 齿音、爆破音、混响、噪声、咔嗒声、颤音和失真；
• 对语码转换和难读术语的处理效果；
• 延迟、访问连续性和许可适用性。

如果某个声音的原始表现与所需的演绎方向相冲突，就应淘汰。像 [whispers] 这样的标签，无法可靠地把经过喊叫训练的声音变成亲密的耳语。

为语音而非阅读准备文本

创建一份与编辑稿分开的口语文本版本。保留原文以便追溯。

1. 合成前先消除含义歧义。
2. 根据预期读法、地区和语境展开词项：
   • 01/02/2026 → 选择 “January second, twenty twenty-six” 或 “the first of February, twenty twenty-six”；
   • $1.05 → 选择 “one dollar and five cents”，而不是机械地逐字符念出；
   • Dr. → 判断应读作 “Doctor” 还是 “Drive”；
   • IV → 判断应读作 “four”、“the fourth” 还是 “I V”；
   • URL、电子邮件地址、单位、快捷方式和产品代码 → 明确写出面向听众的读法。
3. 将密集的书面句子拆分成适合口述的分句。改写多层括号、斜线选项和表格化文案。
4. 将标点用作表演提示，而非装饰。
5. 如果口语形式与字幕文本不同，请将发音和重音标注与字幕文本分开。
6. 大声朗读口语文本版本。如果人类无法一气呵成、自然地读出来，TTS 很可能也会暴露同样的问题。

**有据可查：**与 Flash v2.5 相比，Multilingual v2 通常能更自然地规范化复杂数字文本。API 提供 apply_text_normalization 选项：auto、on 或 off；不同计划和模型的行为可能不同。不要假设规范化器了解有歧义数字的业务含义。

**生产经验法则：**在应用中对品牌名称、ID、价格、日期和合规声明进行确定性规范化。显示文本和口语文本都要保存。

使用最不易出错的方法控制发音

按以下升级顺序处理：

1. 将口语文本改写得没有歧义。
2. 尝试使用符合目标语言和口音的母语声音。
3. 在发音词典中使用别名规则。
4. 使用模型支持的音标控制。
5. 只有在可以无明显接缝地编辑时，才将单词或短语单独生成为修补片段。

特定模型的发音控制

• **Eleven v3：****有据可查：**在文本中用正斜杠括起标准 IPA，必要时包含重音符号，例如 The enzyme /ˌrɪbəʊnjuːˈkleɪeɪs/ breaks the bond. V3 的 IPA 控制并非完全确定；对准确性有要求时，应试听多次生成结果。
• **Flash v2：****有据可查：**类似 SSML 的 <phoneme> 标签支持对单个单词使用 CMU Arpabet 或 IPA。对于英语，有据可查的一致性首选方案是 CMU Arpabet。
• **Multilingual v2 和 Flash v2.5：**使用发音词典别名或口语文本替换；不支持的音素规则会被跳过。
• **词典：****有据可查：**PLS 文件区分大小写。API 请求最多接受三个 pronunciation_dictionary_locators，并按顺序应用。在生成清单中固定词典 ID 和版本 ID。

切勿粘贴不受支持的 XML，并假设它会得到正确解析。使用确切的声音和模型组合测试词典；词典条目即使正确，在语境中听起来仍可能不对。

按模型控制语速和表达方式

V2 和 Flash 系列

• 从语音已保存的设置开始，每次只调整一个控制项。
• 文档说明： stability 的范围为 0–1。值越低，情绪变化越丰富；值越高，变化越少，也可能变得单调。
• 文档说明： similarity_boost 的范围为 0–1，用于控制对源语音的贴合程度。相似度过高可能会复现源语音的缺陷。
• 文档说明： style 会强化源语音风格，可能增加延迟和不稳定性，通常应从 0 开始。
• 文档说明： use_speaker_boost 可以略微提高身份相似度，但会增加延迟。
• 文档说明： speed 支持 0.7–1.2，1.0 为中性值；极端值可能降低质量。
• 仅在支持 break 标签的模型上使用 <break time="1.2s" />。文档说明： break 最长可达 3 秒；标签过多可能导致语速变化或产生瑕疵。

制作经验： 不要用极端设置来弥补选角不当。围绕语音已保存的设置测试一组精简的参数组合，然后将选定设置锁定在清单中。

Eleven v3

• 在可用界面中选择 Creative、Natural 或 Robust 稳定性模式。Creative 表现力更强，但更容易出错；Natural 兼顾源语音保真度和方向要求；Robust 更稳定，但响应性较低。
• 仅在符合语音和场景时，使用简短、清晰可听的行内指示，例如 [whispers]、[sighs]、[curious] 或 [excited]。
• 使用省略号营造分量，谨慎使用大写字母来强调，并使用常规标点来处理语气节奏。
• 不要使用 SSML break 标签。使用标点、行结构或合适的 v3 音频标签来指示停顿。
• 在纯 TTS 制作中，不要添加环境音效标签。保持语音音轨干净，并在相应工作流中制作非语音素材。

制作经验： 标签是表演建议，而非确定性指令。生成多个版本，选定最终版本，并记录确切的文本、语音、模型、设置、种子和请求 ID。种子只能尽力帮助重复生成；API 不保证确定性。

多语言语音和语码转换

文档说明： 使用针对目标语言和地区训练的语音，能获得最自然的口音。语音用于其训练语言之外时，可能会保留或逐渐偏向其源口音。网站的语言检测可能会被同一提示词中的多种语言干扰；API 可选的 ISO 639-1 language_code 能为支持的模型和规范化消除歧义，但 Multilingual v2 不支持此参数。

针对一种目标语言：

1. 使用母语语音或经过适当训练的语音；
2. 本地化含义、数字读法、礼貌用语和句子节奏，而不只是逐字翻译；
3. 创建特定地区的发音列表；
4. 使用目标播放设备，让母语听众试听。

针对语码转换：

1. 确定预期的基础语言和确切的切换边界；
2. 如果身份连贯性很重要，先测试单个多语言语音；
3. 如果语言检测、口音或节奏发生偏移，则按语言在自然分句处分别渲染；
4. 使用匹配的语音或同一经过验证的多语言语音，然后以符合房间底噪的间隙和匹配的响度进行剪辑；
5. 对真正混合语言的文本，不要强行使用单一的 language_code；
6. 检查那些有意在另一种语言语境中按某种语言发音的专有名词。

推断： v3 更广泛的语言覆盖可能会减少拆分某些混合语言表演的必要，但其更高的表现力变化仍可能造成口音或时序不连贯。请针对实际组合进行测试。

长篇旁白

如果编辑人员需要段落级生成历史记录、锁定、时间编辑、发音词典、协作以及章节／项目导出，优先使用 ElevenCreative Studio。如果流水线需要确定性清单、自动批处理、以编程方式重试或自定义组装，则使用 API。

使用 API 处理长篇内容时：

1. 按段落或句子边界拆分；除非单个句子超过模型限制，否则不要按任意字符数拆分；
2. 尽可能将同一场景或连贯的修辞段落放在一起；
3. 保持语音、模型、设置、词典版本、输出格式和文本规范化策略一致；
4. 为边界上下文提供 previous_text 和 next_text，或在支持的情况下，使用带有先前请求 ID 的请求拼接；
5. **文档说明：**v3 不支持请求拼接；请求 ID 必须已完全处理完毕，且时间不能超过两小时；如果零保留模式会移除历史记录，则无法使用此功能；
6. 重新生成有问题的中间片段时，提供前后文或请求 ID；
7. 在片段边界处保留编辑把手，然后仅在不会模糊辅音或时间的情况下进行交叉淡化；
8. 以正常速度并佩戴耳机，试听所有接缝处。

**制作经验法则：**段落是实用的编辑单元，但不是通用的片段长度。片段太短会丢失韵律上下文；片段太长则会增加修复成本，并可能产生偏移。应根据话语结构和修改风险选择片段。

审慎选择 API 行为

完整响应（POST /v1/text-to-speech/{voice_id}）

当完整文本已确定、重视简洁性，且可以等到完整响应生成后再播放时使用。

HTTP 流式传输（.../{voice_id}/stream）

当完整文本已确定，但希望听众在渲染完成前就能听到音频时使用。它改变的是首次听到音频的时间，而不是对文本上下文的需求。

输入 WebSocket（.../{voice_id}/stream-input）

当文本逐步到达时使用。**文档说明：**此功能不支持 eleven_v3。优先使用 auto_mode；否则，除非测量结果证明有必要更改，否则请保留默认的 chunk_length_schedule。较小的文本阈值可以降低延迟，但也会在上下文尚不充分时就确定韵律。在支持的情况下，可在轮次边界发送 flush: true；空文本字符串会关闭连接，而单个空格可以保持连接。当前指南说明，空闲连接会在 20 秒后关闭。

时间戳端点

当需要字幕、单词高亮、口型同步参考或编辑对齐时，使用带时间戳的语音或带时间戳的流式传输。响应包含 base64 音频，以及原始文本和规范化文本的字符对齐信息。最终文本和音频编辑完成后，请验证时间信息。

输出格式

• 在套餐权限和存储空间允许时，选择与编辑采样率一致的 PCM/WAV；避免反复进行有损转码。
• 目标平台接受时，使用 MP3 以便紧凑地进行审阅或交付。
• 仅在电话通信链路要求时，使用 8 kHz μ-law 或 A-law。
• **文档说明：**端点默认格式为 mp3_44100_128；更高质量的格式可能需要更高等级的套餐。套餐权益可能变动，应视为不固定。

生产集成规则

• 从机密存储中加载 ELEVENLABS_API_KEY；切勿记录该密钥或将其发送给客户端。
• 在预检期间查询模型和声音。不要将显示名称硬编码为身份标识；固定使用 voice_id。
• 根据所有会影响输出的输入的哈希值进行缓存：口述文本、声音 ID、模型 ID、设置、词典/版本、语言/规范化标志以及输出格式。
• 保留请求 ID 和响应元数据，除非隐私模式不允许这样做。
• 将并行度限制在当前套餐并发上限以下，并检查 current-concurrent-requests / maximum-concurrent-requests 标头。
• 遇到 429 时，区分速率限制错误和并发限制错误，并使用带抖动的指数退避，或等待正在进行的任务完成。对临时 5xx 错误重试；不要盲目重试身份验证错误或无效负载。
• 将 optimize_streaming_latency 视为已弃用。
• 宽容解析新增的响应字段，并关注每周更新日志。

示例 1 — 完整的离线解说旁白

示例，并非强制公式。

**意图：**制作一段精致的 45 秒英文产品解说，包含两个品牌名称、一个价格和字幕时间。延迟无关紧要；稳定交付和便于修改是首要目标。

**选择：**用最难的一段试听原生地区口音的解说声音；选择 eleven_multilingual_v2，以获得平稳、专业的解说。由于 Multilingual v2 不使用音素标签，因此使用别名词典处理品牌名称。

口述文本：

Meet Auralis. It turns a forty-nine-dollar monthly workflow into one clear production board.

Import the brief, approve each voice take, and export a review link—without renaming files by hand.

别名词典摘录（auralis-brand.pls）：

<?xml version="1.0" encoding="UTF-8"?>
<lexicon version="1.0"
  xmlns="http://www.w3.org/2005/01/pronunciation-lexicon"
  alphabet="ipa"
  xml:lang="en-US">
  <lexeme>
    <grapheme>Auralis</grapheme>
    <alias>aw RAL iss</alias>
  </lexeme>
</lexicon>

渲染清单摘录：

provider: elevenlabs
model_id: eleven_multilingual_v2
voice_id: <auditioned-native-narration-voice-id>
output_format: mp3_44100_128
voice_settings:
  stability: 0.62
  similarity_boost: 0.76
  style: 0.0
  use_speaker_boost: true
  speed: 0.97
pronunciation_dictionary:
  id: <dictionary-id>
  version_id: <pinned-version-id>
text_normalization: auto

完整的 Python 调用：

import os
from elevenlabs import VoiceSettings
from elevenlabs.client import ElevenLabs
from elevenlabs.play import PronunciationDictionaryVersionLocator

client = ElevenLabs(api_key=os.environ["ELEVENLABS_API_KEY"])

audio = client.text_to_speech.convert(
    voice_id=os.environ["ELEVENLABS_VOICE_ID"],
    model_id="eleven_multilingual_v2",
    output_format="mp3_44100_128",
    text=(
        "Meet Auralis. It turns a forty-nine-dollar "
        "monthly workflow into one clear production board.\n\n"
        "Import the brief, approve each voice take, and export a review link—"
        "without renaming files by hand."
    ),
    voice_settings=VoiceSettings(
        stability=0.62,
        similarity_boost=0.76,
        style=0.0,
        use_speaker_boost=True,
        speed=0.97,
    ),
    pronunciation_dictionary_locators=[
        PronunciationDictionaryVersionLocator(
            pronunciation_dictionary_id=os.environ["ELEVENLABS_DICT_ID"],
            version_id=os.environ["ELEVENLABS_DICT_VERSION"],
        )
    ],
)

with open("narration.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

**原因：**文本展开了价格的读法，并调整了口述措辞中的连字符用法；词典让品牌名称可以重复使用；适度的稳定性在保留生动感的同时，避免修改变得难以控制；风格从零开始。

**预期结果：**可信、克制的旁白，价格和品牌名称的读法始终一致。如果所用的 SDK 接口需要单独的方法，请另行生成带时间戳的版本。

可能出现的问题及修复方法：

• “Auralis” 的读法仍然不对 → 在上下文中测试该别名，然后与另一种原生声音进行比较。
• 第一段听起来太像宣传文案 → 减少文本中的夸张表述，并先试听更沉稳的声音，再提高稳定性。
• 破折号造成停顿过长 → 将其替换为逗号，或拆分句子。
• 字幕与口述展开内容不一致 → 单独保留显示文本，并将时间戳映射到口述版本。

**变体：**对于实时预览，沿用相同的模型/声音，但使用 HTTP 流式传输；脚本已经确定，因此不要改用输入 WebSocket。

示例 2——富有表现力的 v3 角色演绎

示例，并非强制公式。

**意图：**创作一段 15 秒的游戏预告台词，情绪从保密转为欣喜，并准确读出一个虚构名称。

**选择：**使用一款已取得同意授权、专门设计的声音，其音域本身已支持耳语和兴奋语气；选择 eleven_v3，以使用内联表演指示和原生 IPA。

完整输入：

[whispers] They told us the vault beneath /keɪˈlɔːrə/ was empty...

[restrained excitement] They were VERY wrong. [soft laugh]

参数：model_id=eleven_v3、选定的兼容 v3 的声音、HTTP 完整或 HTTP 流式端点、v3 Natural 稳定性行为、speed=1.0、output_format=mp3_44100_128，固定种子仅用作尽力而为的比较辅助。不要发送 SSML 停顿或 Speaker Boost。

**原因：**该演员声音本身已支持预期的音域；标签描述可听见的表达方式；IPA 仅用于需要的部分；标点用于提供停顿。

**预期结果：**先是克制的耳语，接着是有分量的停顿，然后是内敛的兴奋，同时不改变说话者身份。

常见问题及修复方法：

• 逐字读出单词或标签 → 确认 v3 模型 ID 和准确语法。
• 耳语效果消失或变成嘶声 → 选择更合适的声音，或让指示不那么极端。
• 笑声盖过台词 → 移除笑声或重新生成更清晰的音频；如果笑声遮住了词语，不要依赖剪辑来修复。
• 发音不稳定 → 检查重音符号、生成多个候选版本，或使用口语别名。

**变体：**如果要制作稳定的 20 分钟旁白，将制作方案改为使用 Multilingual v2 和段落分块，而不是强行让 v3 表现得像长篇稳定性模型。

示例 3——双语代码切换备用方案

示例，并非强制公式。

**意图：**为一段英文教程配音，其中包含一段西班牙语客户引言，同时保持旁白者身份一致。

**输入：**母语双语声音试音、英文基础文本、经过审核的西班牙语引言、特定地区的发音，以及 48 kHz 剪辑时间线。

工作流：

1. 使用这款双语声音，分别在 v3 和 Multilingual v2 上测试完整段落。
2. 如果切换自然，则保留一次生成，并记录表现最佳的模型。
3. 如果西班牙语部分出现偏差，则在分句边界拆分：
   • 英文：“The customer described the setup in one sentence:”
   • 西班牙语：“Por fin, todo está en un solo lugar.”
   • 英文：“That is the entire promise.”
4. 在声音能以原生水平表现的情况下，为每个分句使用同一个声音。不要强行对混合语言段落指定一个 language_code。
5. 按预期停顿进行拼接，匹配综合响度，并完整试听两个接缝处。

**预期结果：**切换清晰易懂，不会意外产生夸张的口音或身份跳变。

**常见问题：**语言检测器对较短的引言选错语言；英语专有名词带上西班牙语音系；拆分后的片段在房间音色或情绪强度上发生变化。修复方法：扩充上下文文本、选择真正的双语声音，或者在身份连续性不如原生表达重要时，使用单独选角并明确说明的说话者。

后期制作

1. 保留未经修改的源渲染，并使用可逆的编辑会话。
2. 删除开头和结尾的无声片段、意外的吸气声、口述的指令文本、咔嗒声和失败的录制片段，但不要切掉爆破音或词尾。
3. 进行局部修复。重新生成最小范围内连贯的短语，并保留周围语境，而不是重新渲染已获批准的章节。
4. 必要时在过零点使用柔和的交叉淡化；绝不要用长交叉淡化掩盖表演不一致。
5. 仅在问题持续存在时进行校正性均衡和去齿音。与其对有缺陷的语音或渲染结果进行重度处理，不如在上游修复。
6. 保守地进行压缩；根据角色需求保留语音动态。
7. 使用兼容 ITU-R BS.1770 的仪表测量响度和真峰值。匹配目标规范，而不是网上所谓的“通用 LUFS”数值。
8. 标准： EBU R 128 为其广播场景指定了 −23 LUFS 的节目响度，并使用响度范围和最大真峰值描述符。仅在适用该交付场景时使用。
9. 导出高质量母版，并据此生成交付编码。最终音频渲染完成后，重新检查字幕和同步情况。

收听与质量保证关卡

自动化检查可以发现缺陷；语音是否传达清楚，则由听众判断。

技术检查

• 文件可解码；时长合理；采样率、声道数和编解码器均符合预期；
• 没有削波、截断、音频重复、意外的长时间静音或边界损坏；
• 测得的响度和真峰值符合目标规范；
• 所需词语均按顺序出现；
• 编辑后时间戳仍保持对齐；
• 清单记录文本哈希、语音／模型／设置、词典版本、输出格式、请求 ID 和编辑版本。

语言检查

• 核对确切的词语、名称、缩略语、数字、货币、日期和 URL；
• 目标语言、方言、口音、重音和语码切换边界正确；
• 没有插入、遗漏、重复或幻觉生成的语音；
• 字幕文本符合预期的显示文本，同时能追溯口语中的展开形式。

表现检查

• 角色和情绪自然可信；
• 重音有助于传达含义；
• 语速、停顿、呼吸和句尾听起来自然；
• 不同片段之间的身份特征和活力保持一致；
• 没有合成语音颤振、刺耳的谐波、相位问题、金属质感的尾音、口腔噪声、过重的齿音或不稳定的音高；
• 环境底噪、语调节奏、响度或音色中没有可听见的接缝。

评估流程

标准： 进行正式测试时，采用 ITU-T P.800 式的受控收听，或遵循 ITU-T P.808 关于众包收听的指导。测试条件和说明须保持一致；实际可行时，对样本进行随机化和盲测。

制作启发式： 至少请一位目标语言母语听众和一位制作人员对以下项目评分：

1. 自然度；
2. 可懂度；
3. 发音准确度；
4. 角色／情感契合度；
5. 身份一致性；
6. 无瑕疵程度；
7. 整体可接受度。

使用 1–5 分制，并记录缺陷出现的时间码。与此前获批准的录制片段比较；在获得许可时，也与真人参考录音比较。不要用平均分掩盖严重的发音错误或权利问题。

ASR 转录文本或词错误率对比可以标记遗漏和替换，但无法评判表演、口音是否恰当、韵律或细微瑕疵。

故障恢复

更改参数前先诊断：

故障	首要检查项	修复顺序
单词／数字错误	口语文本规范化、区域设置、词典支持／版本	重写 → 支持时使用别名／IPA／音素 → 改用其他原生语音／模型
表达平淡	配音阵容、源音频表现、稳定性过高、文本提示不足	改进配音阵容／文本 → 谨慎降低稳定性 → 使用带有合适标签的 v3
表演过度／产生幻觉音效	v3 标签、Creative 行为、稳定性过低、语音不匹配	移除标签 → 使用 Natural／Robust 行为 → 选择更平稳的语音／模型
身份漂移	分块长度、语音质量、相似度、模型／设置变更	恢复固定清单 → 添加上下文／拼接 → 谨慎提高一致性 → 重新选角
可听见的接缝	随意拆分、缺少上下文、响度／空间不匹配	按分句拆分 → 添加前后文或请求 ID → 局部编辑／交叉淡化
Flash 上的数字错误	未规范化的文本、规范化策略	确定性地扩写为口语形式 → 启用支持的规范化 → 使用 Multilingual v2
延迟高	测得的 TTFA 各组成部分、模型、协议、缓冲区、语音类型、地理位置	对已知文本使用 HTTP 流式传输 → 使用 WebSocket 增量文本 → 调整 Flash／语音／缓冲区
429	速率与并发的错误代码和响应标头	降低／排队处理并发请求 → 使用带抖动的指数退避
4xx 负载／身份验证	模型访问权限、语音访问权限、密钥、限制、格式	修正请求；不要盲目重试
持续出现 5xx	提供方状态、请求 ID、最小复现案例	有限次数地退避重试 → 保留故障元数据 → 升级处理

每次诊断渲染只更改一个变量。保留失败的音频及其清单，以便复现问题并总结经验。

权利、同意、安全与隐私关卡

克隆或部署任何可识别的声音之前：

1. 获取明确且有记录的授权，涵盖创建、预期用途、适用地区、期限、分发、编辑、模型／声音共享，以及撤销／通知预期；
2. 核实说话者的身份和授权权限；不得将公开音频视为授权；
3. 禁止未经授权、欺骗性或有害的冒充行为，也不得规避声音验证；
4. 切勿冒充政治候选人或民选官员；当前政策禁止在选举相关场景中进行此类行为，即使已获得授权也不例外；
5. 在有要求时披露合成／AI 交互。**有文档记录：**使用 ElevenLabs 驱动 AI Agent 的组织必须清晰、醒目地告知用户，他们正在与 AI 交互；
6. 保留与声音 ID 及用途关联的同意记录；同意或声音访问权限到期后，停止生成新的内容；
7. 发布前，查看当前的 Terms、Prohibited Use Policy、Privacy Policy、Voice Library Addendum 及适用法律；
8. 确认实际套餐和功能的商业权利。**有文档记录，已于 2026-07-09 核实：**免费套餐的输出不可用于商业用途，发布时必须注明来源；付费套餐的输出可用于商业用途，但须遵守相关权利、条款、政策，且不得使用 Beta 功能；Beta 输出不得用于商业或生产用途；
9. 上传机密脚本或声音数据之前，先确认适用的当前地区内容条款。**有文档记录，非 EEA Terms 已于 2026-07-09 核实：**已发布的条款授予 ElevenLabs 对内容和用户声音模型永久、不可撤销、全球范围且可再许可的许可，用于提供服务、改进服务和产品开发。账户设置可选择退出未来将内容用于训练，但无法撤销此前的使用。其他地区的条款可能不同；请核实适用于该账户的协议；
10. 保护脚本和声音数据。**有文档记录：**API enable_logging=false 仅为符合条件的 Enterprise 客户启用 Zero Retention Mode，并会禁用依赖历史记录的功能，例如请求拼接。否则，默认处理方式遵循适用的 Privacy Policy 和条款。请明确决定是优先保密，还是优先使用依赖历史记录的连续性功能；
11. 不得将检测结果宣传为真实性证明。ElevenLabs 的登录后 Audio Detector 会在有 SynthID 时进行检测，并在其他情况下使用统计分类器；其覆盖范围并不全面，修改后的音频可能逃过统计检测。

如果未通过权利或安全关卡，请停止。未经授权，即使渲染效果在技术上出色，也不得发布。

来源索引

以下所有会变动的 ElevenLabs 来源均已于 2026-07-09 核查。

ElevenLabs 官方文档和参考资料

• 模型及当前模型 ID、语言、限制、弃用情况和并发
• 创建语音 API
• 流式语音 API
• 带时间信息的流式语音 API
• TTS 最佳实践：停顿、发音、规范化和 v3 提示词
• 默认语音设置参考
• 发音词典指南
• 请求拼接指南
• 了解音频流式传输
• 实时 TTS WebSocket 指南
• API 错误
• 文本转语音产品指南
• 语音库
• 语音设计
• 即时语音克隆
• 专业语音克隆
• ElevenCreative Studio
• 零保留模式
• 音频检测器
• 禁止使用政策
• 非 EEA 地区的服务条款
• EEA、瑞士和英国的服务条款；如适用，请使用链接中的地区条款
• 商业用途帮助文章
• 语音库附录

语音和音频标准

• ITU-T P.800：传输质量主观测定方法
• ITU-T P.808：众包式语音质量主观评估
• ITU-R BS.1770：节目响度和真峰值测量算法
• EBU R 128：广播响度规范化