ElevenLabs 怎麼用：文字轉語音入門、中文配音、模型與參數怎麼調、聲音克隆須知

適用於誰

• 搜「elevenlabs 怎麼用」「elevenlabs 中文配音」「elevenlabs 支持中文嗎」「elevenlabs 聲音克隆」「elevenlabs 免費額度」的人；
• 要給影片、有聲書、課程做旁白，想要比普通朗讀更自然的 AI 語音的人。

本文根據 ElevenLabs 官方文檔和定價頁整理，資料核對於 2026-10-11。介面為英文，文中按鈕名保留原文。價格與額度會調整，以官網定價頁為準。

結論先說

1. 基本操作只有四步：輸入文字 → 選聲音 → 調參數（可選）→ 點 Generate。
2. 影響效果的順序是：聲音 > 模型 > 參數。官方原話是聲音的選擇最重要，其次是模型，最後才是各項設定。
3. 支持中文。官方模型頁的語言列表裏有中文；最新的 Eleven v4 標註支持 90 多種語言。
4. 做中文配音，要選母語是中文的聲音。官方說明任何聲音理論上都能說任何語言，但會保留原本的口音。
5. 免費版每月 1 萬積分，文字轉語音按 1 個字符 1 積分計；定價頁上，商用許可從 Starter 檔開始列出，免費檔的功能清單裏沒有這一項。
6. 克隆聲音必須確認你有權利並已取得同意，這是創建流程裏的必經步驟。

步驟

1. 生成第一段語音

官方指南的四步：

1. 在 Text to Speech 頁面的輸入框裏輸入或粘貼文字；
2. 在螢幕左下方從你的 Voices 裏選一個聲音；
3. 按需調整聲音設定（可跳過）；
4. 點 Generate 生成音頻。

2. 選聲音

官方把聲音分成幾類：精選的預設聲音（Default Voices）、聲音庫（Voice Library，種類最多）、用 Voice Design 工具生成的全合成聲音，以及你自己克隆的聲音。

官方反覆強調的幾點：

• 選對聲音很可能是對最終效果影響最大的一個決定，它決定了性別、音色、口音、節奏和表達方式，值得多花時間；
• 不同語言要選對應母語的聲音：用聲音庫裏的母語聲音，或者克隆一個說該語言、口音正確的聲音，效果最好；
• 想要開心活潑的效果，就選用開心活潑的樣本訓練出來的聲音，想要沉穩內斂的就選對應特徵的聲音。聲音本身的氣質比事後調參數管用。

喜歡某個聲音但想換種表達方式，可以用 Voice Remixing，用自然語言描述來改變語氣、節奏甚至口音。官方註明它只適用於你自己創建的聲音和預設聲音，聲音庫裏別人的聲音不能改。

3. 選模型

官方文檔列出的主要模型（2026-10-11 核對）：

官方的建議：

• 模型是影響效果的第二大因素，用選定的聲音把幾個模型都試一遍再決定；
• 內容只有英文時，強烈建議用英文專用模型，更穩定；其他語言或多語言內容用多語言模型；
• 官方稱 v4 在幾乎所有情況下都比 v3 更好，建議改用 v4；
• 長篇旁白求穩，Multilingual v2 是官方標註「長文本最穩定」的那個；
• 大批量、對成本敏感的場景看 Flash v2.5，官方標註其 API 調用的每字符價格低 50%。

4. 調參數

官方給的常用起點：Stability 約 50，Similarity 約 75，Style 保持 0，之後只做小幅調整。

兩點注意：官方註明 Speed、Similarity、Speaker Boost 在 Eleven v3 模型上不可用；另外模型是非確定性的，同樣的參數每次結果也會有差別，滑塊控制的是隨機範圍而不是固定結果，不滿意就再生成一次。

5. 控制停頓、情緒和讀法

停頓

• Multilingual v2、Flash 等模型：用 <break time="1.5s" /> 插入停頓，官方說明最長 3 秒；一次生成裏用太多會導致不穩定（語速變快或出現雜音）。破折號和省略號也能製造停頓，但不如 break 標籤穩定；
• Eleven v4 和 v3 不支持 break 標籤。官方說明改用音頻標籤、標點（省略號）和文本結構來控制停頓和節奏。

情緒與表演（v4 / v3）

用方括號寫音頻標籤，官方給的例子：

[whispers] I never knew it could be this way, but I'm glad we're here.

常見的有 [laughs]、[whispers]、[sighs]、[sarcastic]、[curious]、[excited] 等；還可以寫 [applause] 這類音效標籤。官方提示：標籤要寫得明確；聲音本身的訓練數據裏有對應的表達方式（比如本來就會低語）時，標籤更容易生效。

數字、電話、日期讀錯

官方把這類問題稱為文本規範化（normalization）問題：電話號碼、金額、日期等容易讀錯，小模型尤其明顯。官方說明規範化預設對所有 TTS 模型開啟；仍然讀錯時，最直接的辦法是把它們改寫成你希望聽到的文字形式，例如把「2026-10-11」寫成「二〇二六年十月十一日」。

6. 克隆自己的聲音（Instant Voice Clone）

官方指南的流程：

1. 在控制台左側進入 Voices，點加號，在彈窗裏選 Instant Voice Clone；
2. 按提示上載或錄製音頻；
3. 給聲音命名並加標籤，確認你擁有克隆這個聲音的權利並已獲得同意，點 Save voice；
4. 在 Voices → My Voices 裏點 Use voice 開始使用。

官方給的錄音要求：

• 總時長 1–2 分鐘的清晰音頻就夠；不要超過 3 分鐘，官方說再長几乎沒有提升，有時反而更差；
• 錄製質素比時長重要：不要有混響、雜音和背景聲；
• 語氣、表現和音質前後保持一致。模型會模仿它聽到的一切，包括語速、口音、呼吸聲和噪音；
• 音量適中，官方給的參考值是 RMS 在 -23 dB 到 -18 dB 之間，真峰值 -3 dB。

只克隆你自己的聲音，或者已經明確書面同意的人的聲音。 官方文檔在克隆指南開頭就提示：不確定是否合法時，先查閱服務條款和 AI 安全說明。未經同意克隆他人聲音，既違反平台規則，也可能觸犯法律。

額度與商用

來自官網定價頁（2026-10-11 核對，以官網為準）：

• 免費檔每月 1 萬積分；文字轉語音按 1 字符 1 積分計算；
• 定價頁的功能清單中，商用許可和 Instant Voice Clone 都是從付費的 Starter 檔開始列出的，免費檔沒有；
• 更高的檔位積分更多，並包含 Professional Voice Clone（需要更多樣本和訓練時間，相似度更高）。

所以用於變現的影片、課程、廣告配音，用付費檔生成；免費檔適合試用和個人練習。具體條款以官方服務條款為準。

常見問題

Q：中文效果怎麼樣？

官方只給出語言支持列表，沒有按語言給出質素評分。按官方的方法做：選中文母語的聲音，再用 v4、Multilingual v2 各生成一段對比。

Q：同一段話每次讀得不一樣？

正常現象，官方說明模型是非確定性的。想更一致就把 Stability 調高；想要某一次的效果，就多生成幾次後保留滿意的那一版。

Q：長文章怎麼處理？

注意各模型的單次字符上限。長內容按段落分批生成，並且全程使用同一個聲音、同一個模型和同一組參數，保持前後一致。

Q：有中文介面嗎？

以實際介面的語言選項為準，官方文檔沒有專門說明。

參考資料

• ElevenLabs 文檔：Text to Speech（產品指南）— https://elevenlabs.io/docs/eleven-creative/playground/text-to-speech
• Models — https://elevenlabs.io/docs/overview/models
• Text to Speech best practices — https://elevenlabs.io/docs/overview/capabilities/text-to-speech/best-practices
• Instant Voice Cloning — https://elevenlabs.io/docs/eleven-creative/voices/voice-cloning/instant-voice-cloning
• 定價頁 — https://elevenlabs.io/pricing