AI 文字 轉語音

文字轉語音(TTS)能把文字轉換成語音音訊。早期的 TTS 只是用平板的聲音一個字接一個字地念。現代的 AI 文字轉語音會先讀完整段內容,因此能理解哪個字該加重、句子何時轉為疑問、何時停頓才有說服力,並以真人般的呼吸和節奏說話。

在 Mage 上,文字轉語音由 Eleven Speech 驅動,也就是 ElevenLabs 最新的 Eleven v4 模型。你可以貼上最多 5,000 個字元,從 16 種聲音中選一個,得到長度與朗讀時間完全相同的 MP3。方括號中的音訊標籤,例如 [whispers]、[laughs] 或 [excited],可以引導語氣,而且不會被念出來。

它和 Mage 的圖片與影片模型都在同一個帳號裡。旁白可以直接配到影片上、設為角色的聲音,或送到 Lipsync 應用程式,讓人像開口說出來。

文字轉語音會完全照著你給的內容朗讀,所以請為耳朵而寫。想怎麼唸,就怎麼寫:用「十二小時」而不是「12h」,若數字要當作年份唸,就寫成「二〇二六年」,不需要逐字母拼唸的縮寫則寫成完整的詞。把長句拆成短句,因為聽眾無法往回捲動。

標點符號是控制節奏最簡單的方法。逗號是短暫換氣,句號是較長的停頓,刪節號帶有遲疑感,破折號則是突然中斷。問號會改變整句話的語調,所以請確認問句真的以問號結尾。

• 在唸法很重要時,把數字寫成文字
• 句子要短,而且要口語化
• 用刪節號表示停頓,用破折號表示中斷
• 生成前先把腳本大聲唸一遍
• 過長的文字請分成多個章節

16 種聲音涵蓋最常見的用途。長篇旁白和有聲書,可選擇沉穩的說書人,例如 Darian、Florence 或 Sawyer。新聞、培訓和說明類內容,適合清晰俐落的主播型聲音,例如 Alicia 或 Eldrin。廣告和社群影片,則可選擇活潑、有現代感的聲音,例如 Elowen、Jade 或 Lawrence。遊戲則可以選擇角色型聲音,例如 Kaelen。

每種聲音都能說所有支援的語言,所以西班牙語或日語腳本用任何一種都行。先用幾種聲音生成前兩、三句來比較,再用最合適的那一個生成完整腳本。

Eleven v4 會把方括號中的標籤當作演出指示。[excited]、[nervous]、[sarcastic] 和 [softly] 可改變情緒;[whispers] 和 [shouting] 可改變音量;[sighs]、[laughs] 和 [gulps] 可加入反應;[door creaks] 或 [applause] 則會在朗讀中加入音效。請把標籤放在要影響的句子前面,每句使用一到兩個即可。

標籤能讓對話和角色台詞更生動,單純的旁白通常不需要。若角色的聲音要在每支影片中保持一致,請參閱AI 語音生成器指南;若是歌曲和背景音樂,請參閱AI 音樂生成器。

同樣的聲音也可透過 Mage API 使用:將文字和聲音傳送到 POST /v1/eleven_speech/generate,即可取得 MP3,並以每 250 個字元為一個區段計費。 Mage API 頁面提供金鑰與價格的相關說明。連接 Mage MCP 伺服器後,Claude、ChatGPT 和其他助理可以在對話中為你朗讀腳本,並會先告知所需的 Gems。