AI 文字 转语音

文字转语音(TTS)可以把书面文字变成语音音频。早期的 TTS 只会一个词接一个词地平淡朗读。现代 AI 文字转语音会先通读整段内容,因此能理解该重读哪个词、句子在哪里变成疑问、什么时候停顿才有分量,说话时也带有人的呼吸和节奏。

在 Mage 上,文字转语音由 Eleven Speech 提供支持,它采用 ElevenLabs 最新的 Eleven v4 模型。你可以粘贴最多 5,000 个字符,从 16 种声音中选一个,得到一个时长与朗读完全一致的 MP3。方括号里的音频标签,例如 [whispers]、[laughs] 或 [excited],可以控制表达方式,而且不会被读出来。

它和 Mage 的图片、视频模型都在同一个账号里。一段旁白可以直接配到视频上,设为角色的声音,或者送进 Lipsync 应用,让人像把它说出来。

文字转语音会严格按你给的文字朗读,所以要为耳朵写作。需要念出来的内容,请按希望的读法写出来:比如写“十二小时”而不是“12h”;如果数字要按年份读,就写成“二〇二六年”;不需要逐字母拼读的缩写,请写出完整的词。把长句拆成短句,因为听众无法往回翻看。

标点是控制节奏最省事的办法。逗号是短暂的换气,句号是更长的停顿,省略号表示犹豫,破折号表示突然中断。问号会改变整句话的语调,所以请确认疑问句确实以问号结尾。

• 读法重要时,把数字写成文字
• 句子要短,要口语化
• 用省略号表示停顿,用破折号表示中断
• 生成前先把脚本大声读一遍
• 把特别长的文本拆分成章节

16 种声音覆盖了最常见的用途。长篇旁白和有声书,可以选 Darian、Florence 或 Sawyer 这类沉稳的讲述者;新闻、培训和讲解类内容,适合 Alicia 或 Eldrin 这样干脆利落的播音风格;广告和社交视频,适合 Elowen、Jade 或 Lawrence 这样活力十足、有现代感的声音;游戏则可以用 Kaelen 这样的角色声音。

每种声音都能说所有支持的语言,所以西班牙语或日语脚本用哪种声音都可以。先用几种声音生成开头的两三句话,对比一下,再用最合适的那个生成完整脚本。

Eleven v4 会把方括号里的标签当作指令来理解。[excited]、[nervous]、[sarcastic] 和 [softly] 用来改变情绪;[whispers] 和 [shouting] 用来改变音量;[sighs]、[laughs] 和 [gulps] 用来加入反应;[door creaks] 或 [applause] 则可以在朗读中加入音效。请把标签直接放在它要影响的句子前面,每句使用一两个即可。

标签能让对话和角色台词生动起来,而普通旁白往往不需要。如果角色声音要在每段视频中保持一致,请参阅AI 语音生成器指南;如果需要歌曲和背景音乐,请参阅AI 音乐生成器。

同样的声音也可通过 Mage API 使用：将文本和声音发送到 POST /v1/eleven_speech/generate，即可获得 MP3，按每 250 个字符为一个计费单位。Mage API 页面。连接 Mage MCP 服务器后,Claude、ChatGPT 等助手可以在聊天中为你朗读脚本,并会先告知所需的 Gems。