使用方式
三個步驟 就能完成
貼上腳本
每次最多 5,000 個字元。標點符號和 [excited] 這類音訊標籤會影響念法。
選擇模型和聲音
要最有表現力的朗讀就選 v4，長篇腳本想省一半就選 v4 Turbo。接著試聽幾個聲音，挑一個。
生成並下載
幾秒鐘就能完成。可以播放、下載 MP3 和 SRT 字幕，或用另一個聲音試同一段腳本。
模型
模型 任你選用
價格以點數計算，生成前就能看到確切費用。點數包 $170 起，含 75 點。
Voice v4
Klakix
最新、表現力最強的模型。可用 [excited]、[whispers]、[laughs] 等標籤控制語氣。
Voice v4 Turbo
Klakix
v4 的半價極速版。看得懂標籤，很適合長篇腳本和草稿。
Voice Classic
Klakix
朗讀最穩定，可細調風格、相似度、清晰度和語速。適合企業旁白和有聲書。
Voice v3
Klakix
上一代的高表現力模型。看得懂音訊標籤，想要和 v4 不同的語氣時可以試試。
Voice Flash
Klakix
最快也最便宜。適合草稿和超長腳本。
多人對話
Klakix
兩人以上的對話場景：每句台詞各用一個聲音，中間穿插笑聲和停頓。適合 Podcast、短劇和廣告對白。
音效
Klakix
依你的描述生成音效：開門的吱嘎聲、掌聲、雨聲、咻的一聲。給影片用的免版稅音訊。
AI 作曲
Klakix
依你的描述作曲：廣告背景音樂、片頭，或有人聲的完整歌曲。可用於商業用途。
特色
為什麼 在這裡做
ElevenLabs 模型
預設 Eleven v4，另有 v4 Turbo、Multilingual v2、Eleven v3 和 Flash v2.5：都是許多創作者直接付費使用的同一批引擎。
v4 或 v4 Turbo
要最有表現力的朗讀用 Eleven v4；長篇腳本想要半價、更快完成就用 v4 Turbo。
音訊標籤
在腳本裡寫 [excited]、[whispers]、[laughs] 或 [short pause]，標籤不會被念出來，而是改變念法。朗讀風格和 0.7×–1.2× 的速度也都能調整。
按字元計價
1,000 個字元用 v4 是 10 點，用 v4 Turbo 是 5 點。不需要訂閱，點數不會過期。
附字幕
每段配音都附 SRT 字幕檔，不必自己打字幕。
對話、音效和音樂
同一個工具還能做多人對話、音效，以及有人聲或純音樂的配樂。
和影片搭配
照片說話和 UGC 廣告也用同樣的聲音，旁白和畫面上的代言人可以一致。
可直接使用的 MP3
44.1 kHz、192 kbps 的 MP3，可直接放進任何剪輯軟體或 App。
長篇一次完成
單次生成最多 5,000 個字元，英文大約是 5 分 33 秒的語音。
運作方式
從腳本到配音
AI 配音就是由文字轉語音（TTS）模型把文字念出來。你貼上腳本、選一個聲音，就會得到一個可以直接放進任何剪輯軟體的音訊檔。
你的文字和選好的聲音會送到 ElevenLabs 的語音模型，預設是 Eleven v4。錄音會以 44.1 kHz、192 kbps 的 MP3 送進你的作品庫，同時附上一個 SRT 字幕檔；你可以在那裡播放、下載，或用另一個聲音重新生成同一段腳本。聽起來自不自然，腳本和模型一樣重要，所以花幾分鐘整理標點符號很值得。
準備腳本
- 標點符號決定節奏。逗號是短停頓，句號是長一點的停頓；太長的句子就拆開。
- 問號和驚嘆號會改變語氣，想讓聲音揚起來的地方就用它們。
- 縮寫和符號要寫成念出來的樣子：寫「百分之」而不是「%」，寫「例如」而不是「e.g.」。
- 如果第一次把難念的名字念錯了，就照它的讀音改寫。
- 從 PDF 貼過來的文字，先刪掉頁碼、頁首和多餘的換行。
指導念法
在 Eleven v4、v4 Turbo 和 v3 上，你可以直接在腳本裡用方括號寫音訊標籤，例如 [excited]、[whispers]、[laughs] 或 [short pause]。標籤不會被念出來，而是改變念法。標籤要用英文寫，和工作室裡顯示的一樣。在同樣的模型上，你還可以選朗讀風格：「富表現力」、「自然」或「穩定」。速度範圍是 0.7×–1.2×。Multilingual v2 則改用風格、相似度和清晰度的滑桿。你也可以加上效果，例如電話音、老式收音機、大廳或咖啡館的環境聲。
常見用途
YouTube 和 TikTok 影片的旁白、廣告口白、產品說明、教育訓練和課程影片、Podcast 開場，以及電話語音選單。MP3 在 Premiere、CapCut、DaVinci Resolve 或任何剪輯軟體裡，都能當一般音軌使用。
長篇腳本
單次生成最多可以處理 5,000 個字元。換算成說話長度，英文大約是 5 分 33 秒；中文腳本以一般估算（每分鐘約 220 字）大約是 22 分 44 秒。更長的內容，就在段落或句子結尾處切開，每一段都用同樣的聲音和模型生成，聽起來才會一致。一段 10,000 個字元的腳本要分成 2 段，英文大約 11 分 7 秒，用 v4 要 100 點，用 v4 Turbo 要 50 點。
替聲音配上一張臉
如果要讓畫面上的人說出腳本，照片說話使用同樣的聲音，並讓人像對上嘴型。想讓代言人拿著你的商品介紹，可以試試 AI UGC 廣告。
實作案例
AI 角色的聲音：自然的對白與嘴型同步
2026 年 11 月，我們替 AI 角色 Mira 配音，做出一支 50 秒、有對白的影片，以下是過程中學到的事。影片是土耳其語，但這些心得適用於任何語言。
選擇聲音
- 現成的聲音勝過自己設計的聲音。我們用文字描述設計出來的聲音聽起來演得太用力。專業的現成聲音聽起來自然又有電影感，其中一個成了 Mira 固定的聲音。這個工具裡的聲音也都是現成的。
- 一個角色，一個聲音。每支影片都用同一個聲音，就像你會讓臉保持一致一樣。
對白與嘴型同步
- 短台詞可以留給影片模型。Seedance 一字不差地說出了一句簡短的問候。但在有兩個人說話的 30 秒鏡頭裡，它把好幾個字念糊了，所以我們用 Eleven v4 重新錄了腳本。
- 用逐字時間點對齊新的聲音。我們把生成的鏡頭轉成逐字稿，取得每個字的時間點，再在不改變音高的情況下拉伸新的錄音來對齊，誤差大約在 20 毫秒以內。
- 只拉伸畫面上的人，而且只拉一點。畫面上說話的人，就用幾種不同的速度錄同一句台詞，留下需要拉伸最少的那一版，最多 25%。攝影師不在畫面裡，所以他的台詞維持自然語速；硬壓縮反而讓人聽不清楚。
笑聲、環境音與混音
- 保留影片模型生成的笑聲。[laughs] 標籤在這個場景裡聽起來很假。影片模型生成的笑聲和她的表情對得上，所以我們把它從片段的音訊裡分離出來留下。
- 用片段本身的背景音。腳步聲、低語聲和鳥叫都來自影片模型，而不是另外生成的音效。它自己的人聲在每個字周圍被壓低 40 dB，所以只聽得到新的聲音。
- 不要單獨對那條背景音做響度標準化。對已經壓低過的音軌做標準化，會把殘留的人聲又拉回來；改用固定的增益。
- 殘響要輕。最多大約是直達聲的十分之一，而且不要有強烈的早期反射，否則會產生梳狀濾波。
- 用量測檢查混音，不要只靠耳朵。把最終混音轉成逐字稿，每一句都讀過；人聲至少要比背景高 12 dB，主要的聲音要比其他人稍大一點。我們第一版混音只差 4 dB，最終版是 18.7 dB。
這個工具提供的是聲音，不是剪輯軟體：在這裡生成台詞，再到 CapCut、Premiere 或 DaVinci Resolve 裡對齊和混音。如果是直接對著鏡頭說話的代言人，照片說話會替你處理嘴型同步。從臉到完成影片的完整角色流程，請看 AI 網紅製作教學。
模型
v4 還是 v4 Turbo？
這 5 個模型都使用同樣的聲音。預設是 Eleven v4；差別在於表現力、可調整的項目、速度和價格。
| 模型 | 引擎 | 1,000 個字元 | 單次上限 | 適合用途 |
|---|---|---|---|---|
| Voice v4 | ElevenLabs Eleven v4 | 10 點 | 5,000 個字元 | 最新、情感最豐富的模型。用 [excited]、[whispers]、[laughs] 這類標籤，由你掌控語氣。 |
| Voice v4 Turbo | ElevenLabs Eleven v4 Turbo | 5 點 | 5,000 個字元 | v4 的半價極速版。也看得懂標籤，適合長篇腳本和草稿。 |
| Voice Classic | ElevenLabs Multilingual v2 | 10 點 | 5,000 個字元 | 朗讀最穩定，所有細部調整都有：風格、相似度、清晰度、速度。適合企業旁白和有聲書。 |
| Voice v3 | ElevenLabs Eleven v3 | 10 點 | 5,000 個字元 | 上一代的高表現力模型。看得懂音訊標籤；想要和 v4 不同的語氣時可以試試。 |
| Voice Flash | ElevenLabs Flash v2.5 | 5 點 | 5,000 個字元 | 最快也最便宜。適合草稿和非常長的文字。 |
Eleven v4 是最新、表現力最強的模型，在廣告和宣傳片裡聽得出差別。v4 Turbo 用同樣的聲音，價格減半、回傳更快，也看得懂音訊標籤，用在長篇旁白和初稿綽綽有餘。Multilingual v2 的朗讀最穩定，細部調整也最多。上一代的 Eleven v3 和半價的 Flash v2.5 也仍然可以使用。
新功能
對話、音效和音樂
配音工具有四個分頁：配音、對話、音效和音樂。四個分頁都使用同一個點數餘額。
對話
把兩個以上說話者的場景做成一個檔案。每一句台詞各選一個聲音，台詞之間可以加上 [laughs] 或 [short pause] 這類標籤。適合 Podcast、短劇和廣告對話。一段對話最多可用 10 種不同的聲音，總共 2,000 個字元，和配音一樣按字元計價。
音效
描述一個聲音，就能得到它：嘎吱作響的門、掌聲、雨聲、咻一聲的轉場音。長度從 3 秒到 30 秒，按秒計價：5 秒的音效是 2 點，30 秒的是 12 點。
音樂
AI 作曲模型（Music Composer）會照你的描述作曲：有人聲的歌曲，或是純音樂的背景配樂。描述曲風、氛圍和樂器，歌詞用引號框起來。長度從 15 秒到 3 分鐘；30 秒的音樂是 18 點，3 分鐘是 108 點。音樂可以商用。
聲音
8 種聲音任你選
同樣的聲音在每個模型、對話，以及照片說話和 UGC 廣告裡都能用。挑選前可以先試聽每個聲音；最快的選法，是用兩三個聲音生成你的第一句話。
- Sarah · 溫暖、令人安心（美式）
- Jessica · 開朗活潑（美式）
- Alice · 清晰、有感染力（英式）
- Lily · 流暢的旁白（英式）
- Brian · 低沉、令人安心（美式）
- Liam · 充滿活力，適合社群（美式）
- George · 溫暖的說書人（英式）
- Chris · 自然、親切（美式）
價格
配音要花多少
按字元計價：1,000 個字元用 v4 是 10 點，用 v4 Turbo 是 5 點。說話長度的估算：英文大約每秒 15 個字元；中文腳本以一般估算，大約每分鐘 220 字。
| 腳本 | 約略長度 | v4 | v4 Turbo | v4 金額 |
|---|---|---|---|---|
| 短廣告旁白300 個字元 | 英文 約 20 秒 中文 約 1 分 22 秒 | 3 點 | 2 點 | $3.77–$6.80 |
| 中等長度腳本900 個字元 | 英文 約 1 分鐘 中文 約 4 分 5 秒 | 9 點 | 5 點 | $11.32–$20.40 |
| 單次生成上限5,000 個字元 | 英文 約 5 分 33 秒 中文 約 22 分 44 秒 | 50 點 | 25 點 | $62.89–$113.33 |
金額範圍取決於你購買的點數包；點數包越大，每點越便宜。不需要訂閱，點數不會過期，生成失敗會自動退還點數。驗證電子郵件後拿到的 20 點免費點數，用 v4 大約可以念 2,000 個字元。所有點數包請看價格方案。
常見問題
常見問題 一次看懂
什麼是 AI 配音？
就是由文字轉語音模型生成、而不是由真人錄製的旁白。你寫好腳本、選一個聲音，模型就會用自然的停頓和語調把它念出來，並回傳一個音訊檔。
有免費的 AI 配音或文字轉語音嗎？
註冊並驗證電子郵件後，你會獲得 20 點免費點數，用 v4 大約可以念 2,000 個字元，用 v4 Turbo 則是兩倍。之後就要購買點數；不需要訂閱。
AI 配音要多少錢？
1,000 個字元用 v4 是 10 點（依點數包不同約 $12.58–$22.67），用 v4 Turbo 是 5 點。一分鐘的英文腳本大約 900 個字元；中文腳本以一般估算約 220 字，用 v4 大約 3 點。
配音用的是哪個 AI？
ElevenLabs。預設是表現力最強的 Eleven v4；v4 Turbo 是半價、速度更快的版本。另外也有 Multilingual v2、上一代的 Eleven v3 和 Flash v2.5。如果 ElevenLabs 停擺，會由 Google 的 Gemini TTS 接手備援。
可以控制情緒和節奏嗎？
可以。在 v4、v4 Turbo 和 v3 上，你可以在腳本裡寫 [excited]、[whispers]、[laughs] 或 [short pause] 這類音訊標籤；它們會影響念法，不會被念出來。你也可以選朗讀風格（「富表現力」、「自然」或「穩定」），並把速度設定在 0.7×–1.2× 之間。Multilingual v2 則有風格、相似度和清晰度的滑桿。
可以做音樂和音效嗎？
可以，在同一個工具裡。音樂分頁可以作出有人聲的歌曲或純音樂背景配樂，長度 15 秒到 3 分鐘，可以商用；30 秒是 18 點。音效分頁可以根據描述做出 3 秒到 30 秒的音效。
可以複製我自己的聲音嗎？
不行。這裡沒有聲音複製，也不能上傳音訊。你只能從現成的聲音中選擇，這也代表沒有人能在這裡複製你的聲音。
配音是什麼格式？
44.1 kHz、192 kbps 的 MP3，並附上一個 SRT 字幕檔。到哪裡都能播放，也能直接匯入剪輯軟體。不提供 WAV。
腳本最長可以多長？
每次生成最多 5,000 個字元，英文大約是 5 分 33 秒的語音，中文以一般估算大約 22 分 44 秒；對話最多 2,000 個字元。更長的腳本請在段落處切開，每一段用同樣的聲音生成。
配音可以商用嗎？
可以，只要遵守我們的條款，就能用在你的影片、廣告和產品裡。不允許用來冒充他人或誤導別人。
怎麼讓影片裡的 AI 聲音聽起來自然？
選一個專業的現成聲音，整個系列都用它，腳本也照人說話的方式寫。在影片裡，保留片段本身的笑聲和背景音，不要用標籤或另外的音效補上，並讓人聲至少比背景高 12 dB。
可以讓 AI 角色對上配音的嘴型嗎？
如果是對著鏡頭說話的人像，可以：照片說話會一次完成腳本配音和人像的嘴型同步。如果是有對白的生成場景，就在這裡做好配音，再到剪輯軟體裡對上嘴型，畫面上的台詞最多拉伸約 25%。這裡沒有替現有影片自動重新配音的功能。
這和手機的朗讀功能有什麼不同？
不一樣。朗讀功能是把螢幕上的文字念出來，讓你當下聽。配音生成器給你的是一個音訊檔，可以發布、加進影片，或用在電話語音系統。
- 沒有聲音複製功能。你不能上傳自己的聲音，只能從現成的聲音中選擇。
- 音樂提示詞不能寫真實的歌手或歌名，所以不會模仿知名的歌曲或歌手。
- 沒有音訊編輯功能：不能剪輯或混音。要在配音下面加音樂，請在剪輯軟體裡合併。輸出格式是 MP3，配音另附 SRT 字幕。
- 少見的名字、縮寫和專業術語有時會念錯。照讀音改寫通常就能解決。
- 如果連不上 ElevenLabs，我們會改用 Google 的 Gemini TTS，讓你的工作不會卡住。備用聲音聽起來和你選的不同，念法設定和字幕也不適用。
- 請勿用來冒充他人，或以別人的名義製作誤導性的音訊。
相關頁面