ElevenLabs 怎麼用？AI 聲音複製與語音生成完整教學

這篇 ElevenLabs 教學 將帶你從零開始，學會如何使用 AI 語音克隆 技術，將文字轉化為高擬真度的多語言語音，並解決免費方案限制與音質優化等實際問題。

查看相關日報

OpenAI 的 GPT-Realtime 系列讓 AI 對話更流暢，但對於需要高保真、可定製化語音的場景——遊戲角色配音、有聲書、品牌代言人——ElevenLabs 目前仍是最成熟易用的選擇。它最新的 Eleven v4 模型官方標示支援 90 種以上語言，語音克隆約 1 到 2 分鐘的清楚錄音就夠，對想拓展國際市場的台灣創作者來說，能直接壓低多語言配音成本。

ElevenLabs 是什麼？AI 語音克隆核心概念

ElevenLabs 不是傳統的文字轉語音（TTS）引擎。傳統 TTS 讀起來像機器人，缺乏停頓、呼吸與情緒起伏；ElevenLabs 的模型會依文字的上下文、標點與文法決定怎麼念，Eleven v4 與 v3 還能用 [sighs]、[exhales] 這類音訊標籤加入嘆氣、呼吸等反應。

它的另一個關鍵優勢是 AI 語音克隆：上傳 1 到 2 分鐘的錄音，平台就能複製出特定人物的聲音特徵。這在個人品牌打造與內容在地化上都有實際用途。

事前準備：帳號註冊與免費方案解析

前往 ElevenLabs 官網註冊帳號，免費方案每月 0 美元。

ElevenLabs 免費方案限制

免費方案（Free）每月提供 10,000 點額度（credits），用在網頁版文字轉語音大約是 10 分鐘的語音，適合功能測試或短影片製作。但有兩個限制必須知道：

• 商業使用權：官方方案表把「Commercial License」列在 Starter（每月 6 美元）以上，免費方案沒有。YouTube 變現、廣告、付費課程都算商業用途，要商用必須升級付費方案。
• 語音克隆權限：Instant Voice Cloning 從 Starter 方案才開放，免費使用者只能用平台內建的聲音庫。

額度在每個帳單週期開始時重置，週期從你訂閱那天起算。

Step 1：建立與設定你的 AI 聲音模型

進入主控台後，左側選單的「Text to Speech」用來生成語音，「Voices」用來管理與建立聲音。新手建議先從預設聲音庫開始。

使用預設聲音庫

點擊「Text to Speech」，從畫面左下角的聲音選單挑聲音。除了官方精選的 Default Voices，還有收錄大量聲音的 Voice Library，點擊播放按鈕可預覽。

選聲音時可以依內容性質判斷：新聞報導適合沉穩中性的男聲，故事講述則適合溫暖富有情感的女聲。要念中文，官方建議選母語是該語言的聲音，否則會帶著原本的口音。

Instant Voice Cloning 快速克隆流程

擁有付費方案後，可以使用「Instant Voice Cloning」。官方建議準備 1 到 2 分鐘、沒有殘響與背景雜音的清楚錄音；超過 3 分鐘幫助不大，有時反而讓克隆不穩定。

操作步驟：

1. 進入左側的「Voices」，點擊加號圖示
2. 在彈出視窗選擇「Instant Voice Clone」
3. 依畫面指示上傳或直接錄製音訊
4. 為聲音命名、加上標籤，確認你擁有克隆這個聲音的權利與同意，點擊「Save voice」

AI 會模仿錄音裡的一切，包括語速、口音、呼吸方式，連雜訊和嘴唇聲也會一起學進去，所以錄音品質比長度更重要。另外，務必確保你擁有該聲音的合法使用權，避免侵權問題。

Step 2：實作語音生成與文字轉語音

Text-to-Speech 操作介面

在「Text to Speech」頁面，將文字貼入輸入框，選好聲音、視需要調整設定，點擊「Generate」即可。生成後可直接在網頁播放，或點右下角的下載按鈕；之前生成過的檔案也能從右側的歷史紀錄下載，格式可選 MP3（128kbps）或 WAV，按「Advanced」還有 MP3 192／256kbps、M4A、FLAC。

調整 Stability 與 Similarity 參數

ElevenLabs 提供兩個關鍵參數讓你微調輸出品質：

Stability（穩定性）：

• 調低：情緒起伏更大、表現更戲劇化，但太低會讓表現過於隨機、語速變快。適合戲劇性強的內容，官方建議調低後多生成幾次，挑滿意的版本。
• 調高：語音平穩一致，適合新聞、教學等需要專業感的內容；調到很高會接近單調。
• 建議起點：50 左右。

Similarity（相似度）：

• 決定 AI 多貼近原始聲音。
• 原始錄音品質不好時，相似度調太高會連雜訊與瑕疵一起複製出來。
• 建議起點：75 左右。

官方最常見的設定是 Stability 約 50、Similarity 約 75，Style 維持 0，之後再小幅微調。每次只調整一個參數，對比聽覺效果後再決定。另外，Eleven v4 只有 Stability 與 Similarity 兩個設定；Eleven v3 則沒有 Similarity。

Step 3：進階技巧與最佳實踐

用標點符號控制語音節奏

ElevenLabs 的模型會依標點與文法判斷怎麼念，善用這點可以提升自然度：

• 逗號與句號：用標點切出停頓，模擬人類的呼吸節奏。Eleven v4 與 v3 不支援 SSML 的停頓標籤，改用音訊標籤和標點控制節奏。
• 省略號（...）：製造猶豫或思考感，適合對話場景。
• 數字與符號寫成文字：官方建議不要直接寫阿拉伯數字或符號，因為同一個數字在不同語言念法不同，寫成文字比較不會念錯。

常見陷阱與音質優化

分段生成：長篇文章可以切成較短的段落分別生成，再用音訊編輯軟體拼接，哪一段念得不好就只重做那一段。

檢查專有名詞：罕見人名、縮寫、符號與表情符號容易讓模型念錯或不穩定。拼錯的字模型也會照念，生成前先校對一遍。

後製處理：網頁版的「Audio effects」可以在生成後加上電話、收音機等濾鏡、背景環境音、房間殘響或收音距離，而且不另外扣額度；要更細的混音，再導入 Audacity 或 Adobe Audition 處理。

常見問題 FAQ

ElevenLabs 免費方案有字數限制嗎？

有。免費方案每月 10,000 點額度，用在網頁版文字轉語音大約是 10 分鐘的語音。需要更多額度必須升級至 Starter 或更高方案。免費方案不含商業授權。

AI 語音克隆需要多長的錄音素材？

官方建議 Instant Voice Cloning 準備 1 到 2 分鐘的清楚錄音，超過 3 分鐘幫助不大。錄音要只有一位說話者、沒有背景雜音與殘響、音量與語氣前後一致，格式用 128kbps 以上的 MP3（官方 FAQ 建議 192kbps 以上）；WAV 這類無壓縮格式通常不會讓克隆更好。

生成的語音可以商用嗎？

取決於訂閱方案。官方方案表把商業授權列在 Starter（每月 6 美元）以上，免費方案沒有。YouTube 變現、廣告、付費產品都屬於商業用途，需要訂閱付費方案。

下一步

掌握基本操作後，可以進一步探索 ElevenLabs API，將語音生成整合進自己的網站或應用程式，實作自動化語音互動。搭配 Claude 等工具處理文字內容，再用 ElevenLabs 輸出語音，可以串起從文字到聲音的完整自動化工作流，大幅壓縮內容製作時間。

現在就打開 ElevenLabs，開始你的第一段 AI 語音創作吧。