核心用法
elevenlabs-voices 是一套基于 ElevenLabs API 的专业语音合成工具集，提供从基础 TTS 到高级声线设计的完整 workflow。核心入口为 scripts/tts.py，支持命令行直接调用与 OpenClaw 集成两种模式。
基础流程：首次运行执行 python3 scripts/setup.py 完成交互式配置（API Key、默认音色、语言偏好、质量与预算设置），后续通过 tts.py --text "内容" --voice rachel 生成音频。支持 18 种预设音色（如 Rachel 温暖对话型、Adam 纪录片旁白型、George 英式故事讲述型），覆盖美/英/澳三种主要英语口音及中性声线。
多语言与高级功能：通过 --lang 参数支持 32 种语言（含中、日、韩、阿、印地语等），底层调用 eleven_multilingual_v2 模型。进阶功能包括：
- 流式生成（
--stream）：适合长文本实时输出 - 批量处理（
--batch）：从 TXT/JSON 文件批量合成 - AI 音效（
sfx.py）：文本描述生成 0.5-22 秒音效（雷声、键盘声、环境音等） - 声线设计（
voice-design.py）：通过性别/年龄/口音/描述生成自定义音色 - 发音词典（
pronunciations.json）：自定义单词读音规则
成本管控：内置 --stats 字符用量追踪，按 Starter/Creator/Pro/Scale 四档估算费用（$0.11-$0.30/千字符），支持月度预算上限设置。
显著优点
1. 音质行业领先：ElevenLabs 的神经网络 TTS 在情感表现、韵律自然度上属第一梯队，多人试听难以区分真人录音
2. 角色化音色丰富：18 种预设人格化声线（trickster/energetic/storyteller 等）降低选型成本，Quick Presets 机制（broadcaster/calm/professional）提升效率
3. 多语言真实性强：非简单口音替换，而是原生多语言发音能力，中文、日语输出无明显"外国腔"
4. 生态整合完善：OpenClaw 原生集成（tts 工具、/tts on 指令）、环境变量与本地配置多重鉴权、.gitignore 自动排除敏感配置
5. 创作工具链完整：TTS + SFX + Voice Design + Batch Processing 覆盖从内容生产到后期音效的完整音频工作流
潜在缺点与局限性
1. 成本门槛：按字符计费，长文本/高频使用成本累积显著；免费 tier 仅 10k 字符/月，商业级需求需订阅（$5-$330/月）
2. 网络依赖：全程云端 API 调用，无离线能力，延迟受网络状况影响（流式模式可缓解）
3. 音色一致性：极高相似度设置（similarity_boost >0.9）可能导致电磁杂音或发音不稳定，需手动调参
4. 中文支持细节：部分复杂多音字、儿化音处理不如专业中文 TTS 引擎（如科大讯飞），需依赖发音词典修正
5. 声线设计不可控：Voice Design 生成结果随机性较高，"warm motherly voice" 等描述词可能产出偏差，需多次迭代
适合人群
- 播客/有声书创作者：需批量生成多角色配音、多语言版本
- 视频制作者：YouTube、TikTok 内容的高效旁白生产
- 游戏/交互开发者：动态 NPC 语音、实时音效生成
- 企业培训部门：多语言内部课程音频化
- 辅助技术用户：需高质量屏幕阅读体验（配合 OpenClaw TTS 集成）
常规风险
| 风险类型 | 具体描述 | 缓解措施 |
|---------|---------|---------|
| **API Key 泄露** | 环境变量或 `.env` 文件被误提交至版本控制 | 配置已自动加入 `.gitignore`，建议定期轮换 Key |
| **费用失控** | 长文本测试或批量作业导致超额计费 | 启用 `--stats` 监控，设置月度预算上限 |
| **内容审核** | ElevenLabs 对生成内容有使用政策限制（禁止欺诈、仇恨内容等） | 遵守 [ToS](https://elevenlabs.io/terms)，敏感内容预审查 |
| **语音克隆滥用** | Voice Design 功能理论上存在模仿真人声线的潜在风险 | 仅限合法授权内容创作，避免未授权名人/他人声线复制 |
| **服务可用性** | API 限流或故障影响生产环境 | 关键场景配置 fallback 至本地 TTS，或缓存常用音频 |
版本说明
当前 v2.1.4，相比 v2.0 新增交互式安装向导与隐私优先的本地配置管理，降低新手入门门槛。