如果你需要给视频配音、把文章做成播客、给应用加上真人般的语音，或者干脆克隆一个属于自己的声音，ElevenLabs 是目前绕不开的一个工具——它把文本转语音的自然度、情感表现和多语言（含中文）支持都推到了新的水准。这篇教程带你从注册到实操，一步步把它用起来。

ElevenLabs 是什么

ElevenLabs（官网 elevenlabs.io）是一家专注于 AI 语音的公司，核心能力是把文字变成听起来像真人的语音，同时还提供语音克隆、AI 配音（视频翻译并配音）、语音库、音效生成、语音转文字，以及给开发者用的 API。它最出名的地方在于「自然」：不像早年那种机器腔的 TTS，它能处理停顿、语气、情感，甚至能笑、能叹气、能压低嗓音说话。

它的产品线大致分成几块：

  • Text to Speech（文本转语音）：把任意文字读出来，是最基础也最常用的功能。
  • Voice Cloning（语音克隆）：用一段录音复刻出某个声音，之后就能用这个声音读任何文字。
  • Dubbing（AI 配音）：上传一段视频或音频，自动翻译成另一种语言并配音，还能尽量保留原说话人的音色。
  • Studio / Productions（长音频工作室）：面向有声书、播客这类长内容的多段落编辑环境。
  • Voice Library（语音库）：官方与社区提供的一万多个现成声音，直接选来用。
  • API：把上面这些能力接入你自己的应用和工作流。

目前旗舰模型是 Eleven v3，支持 70 多种语言（含中文），最大的亮点是「音频标签（Audio Tags）」——可以用 [laughs]、[whispers] 这样的标记直接指挥语气。此外还有主打高质量的 Multilingual v2（29 种语言）和主打低延迟、实时场景的 Flash v2.5（约 75ms 延迟，32 种语言，且每字符价格更低）。具体模型能力以官网为准。

如何开始使用

注册非常快，几分钟就能出第一段音频。

  1. 打开注册页 elevenlabs.io/app/sign-up（或在首页点「Get started free」）。
  2. 选择注册方式：可以用邮箱注册，也可以用 Google、GitHub 等第三方账号一键登录。注意，如果用 Google 登录，账号会和这个 Google 邮箱绑定，之后无法更换邮箱。
  3. 如果用邮箱注册，填写邮箱并设置一个安全的密码。
  4. 去邮箱点开 ElevenLabs 发来的验证链接，完成验证。
  5. 验证后会直接跳转到语音合成（Speech Synthesis）页面，此时你已经在免费额度下，可以立即开始生成语音了。

免费账号每月有 10,000 credits（credit 大致对应字符数，标准模型下 1 字符约等于 1 credit，约 10 分钟语音）。需要提醒的是，免费版不含商用授权，做公开发布或商业用途需要升级到付费版。

核心功能上手

一、文本转语音

这是最快出效果的功能。

  1. 进入左侧的 Text to Speech（文本转语音）。
  2. 在中间的文本框粘贴你要朗读的文字，中英文都可以，也可以中英混排。
  3. 在右侧选一个 Voice（声音）。新账号自带一批预设声音，也可以点进 Voice Library 从上万个声音里挑，用语言、性别、风格筛选。
  4. 选 Model（模型）：追求最自然、最有情感就选 Eleven v3；要做实时或大批量、想省 credit 就选 Flash v2.5。
  5. 点 Generate（生成）。生成后可以试听、下载音频文件。

一个实用习惯：先用一小段文字试不同的声音和模型，定下组合后再跑长文本，避免浪费 credit。

二、语音克隆

克隆分两种：Instant Voice Cloning（即时克隆） 只需几秒到几十秒的样本，快但相似度一般；Professional Voice Cloning（专业克隆） 需要更长、更干净的录音，效果最好。即时克隆从 Starter（$6/月）套餐起可用，专业克隆需要 Creator（$22/月）及以上。

  1. 进入 Voices，点 Add a new voice → 选 Instant Voice Clone 或 Professional Voice Clone。
  2. 上传录音样本（即时克隆一小段即可；专业克隆建议提供数十分钟安静、无背景噪音、单一说话人的高质量录音）。
  3. 按提示确认你拥有该声音的合法授权（克隆别人的声音需要本人同意）。
  4. 等待处理完成，之后这个克隆声音就会出现在你的声音列表里，可以像其他声音一样用于文本转语音。

样本质量直接决定克隆效果：录音越干净、越一致，克隆出来越像。

三、AI 配音（Dubbing）

想把一条中文视频变成英文，或反过来，用 Dubbing。

  1. 进入 Dubbing，新建一个配音项目。
  2. 上传音视频文件，或粘贴视频链接（支持的来源、文件大小与时长上限以官网为准）。
  3. 选择源语言和目标语言。
  4. 生成后，工具会自动转写、翻译并用合成语音配音，并尽量保留原说话人的音色与节奏。
  5. 在配音工作室里可以逐句校对译文和时间轴，满意后导出。

配音结果建议一定要人工过一遍字幕和译文，机器翻译在专有名词、口语和文化梗上仍会出错。

进阶技巧

用音频标签控制情感（Eleven v3）：v3 支持在文本里插入方括号标签来指挥语气，例如 [laughs]（笑）、[whispers]（低语）、[sighs]（叹气）、[sarcastic]（讽刺）、[curious]（好奇）。甚至可以叠加，比如 [sad][whispers] 让角色用悲伤、低语的方式说话。标签效果和你选的声音有关，有些声音对某些标签响应更好，需要多试。

Stability（稳定性）滑块：这是 v3 里最关键的参数，控制生成语音贴近参考声音的程度，通常有三档——Creative（更有情感、更放得开，但偶尔会「跑偏」）、Natural（最贴近原声，均衡自然）、Robust（最稳定，但对指令响应弱）。想让音频标签充分发挥，用 Creative 或 Natural。

控制停顿和节奏：善用标点。逗号、句号、破折号、省略号会自然改变停顿长短；分段、换行也有帮助。与其硬调参数，不如先把文案标点写规范。

中文效果：Eleven v3 支持中文（含对不同地区口音的适配），整体自然度不错，但仍不完美——多音字、数字、生僻词、中英夹杂偶尔会读错。建议把数字尽量写成中文（如「二零二六年」）、给容易读错的地方换个写法、并务必试听后再定稿。

Similarity / Style 等参数：不同模型暴露的可调项略有差异，相似度、风格夸张度等可以微调音色与表现力，小步调整、边听边改比一次性拉满更靠谱。

价格与额度

以下为官网公开的常见套餐（价格为美元/月，credit 大致对应字符数，均以官网实时为准）：

  • Free（免费）：$0，10,000 credits/月。含文本转语音、语音转文字、音效、语音设计等，不含语音克隆，不含商用授权。
  • Starter：$6，30,000 credits/月。含商用授权、即时语音克隆、Dubbing Studio。
  • Creator：$22，121,000 credits/月（常有首月半价）。新增专业语音克隆。
  • Pro：$99，600,000 credits/月。含更高音质与 API 输出选项。
  • Scale：$299，1,800,000 credits/月。含团队协作、多个专业克隆声音。
  • Business：$990，6,000,000 credits/月。含低延迟 TTS 与更多克隆名额。
  • Enterprise：定制报价，面向大规模与合规需求。

补充几点：Flash、Turbo 等模型每字符消耗约为标准模型的一半，同样额度能出更多内容；付费版未用完的 credit 可结转（通常最多两个月）；是否可商用以你所在套餐为准。

常见问题与适用场景

免费版能用来做发布内容吗？ 技术上能生成，但免费版不含商用授权，正式对外发布/商业用途请至少升级到 Starter。

中文读得准吗？ 大体自然，但多音字、数字、生僻词仍可能出错，务必试听并按需改写文案。

克隆别人的声音合法吗？ 需要获得声音所有者的授权，平台在创建克隆时会要求你确认这一点，切勿未经同意克隆他人。

适合谁用：

  • 自媒体 / 短视频作者：快速做旁白、口播、多语言配音。
  • 播客 / 有声书创作者：用 Studio 处理长音频，或克隆自己的声音批量生产。
  • 出海团队：把中文内容用 Dubbing 翻译配音到其他语言。
  • 开发者：通过 API 给 App、客服、语音助手接入实时语音。
  • 教育 / 培训：把课程讲稿转成语音，或做多语言版本。

功能名、价格和额度更新较快，动手前建议以 elevenlabs.io 官网当前信息为准。