核心用法
ElevenLabs Voices 是一套基于 ElevenLabs API 的综合语音合成工具包，提供从基础文本转语音到高级声线设计的完整工作流。
基础 TTS：通过 tts.py 脚本将文本转换为自然语音，支持 18 种预设声线（如 Rachel、Adam、George 等），涵盖美式/英式/澳式口音及不同人格特质（温暖、专业、叙事等）。支持 32 种语言的跨语言合成，包括中文、日语、阿拉伯语等。
进阶功能：
- 流式生成：
--stream标志实现实时音频输出，适合长文本 - 批量处理：从文本文件或 JSON 批量生成，适合有声书制作
- 音效生成：
sfx.py通过文本描述生成 AI 音效（如雷声、键盘声、太空船引擎） - 声线设计：
voice-design.py基于性别、年龄、口音参数创建自定义声线 - 发音词典：
pronunciations.json自定义特定词汇的发音规则
成本管控：内置字符用量统计和多 tier 价格估算（Starter 到 Scale），支持月度预算上限设置。
显著优点
1. 声线质量行业领先：ElevenLabs 的 Multilingual v2 模型在韵律、情感表达和跨语言一致性方面处于 TTS 领域第一梯队
2. 角色化声线丰富：18 种精心调校的预设声线附带使用场景建议，降低选择成本
3. 全栈工具链：从 TTS、音效到声线设计，覆盖音频内容生产全流程
4. 隐私设计合理：API key 仅本地存储，自动排除 git 追踪，setup 向导引导安全配置
5. OpenClaw 原生集成：可作为 OpenClaw 内置 TTS 提供商，支持对话中直接触发语音合成
潜在局限
1. 付费依赖：基于 ElevenLabs API，需绑定付费账户，高频使用成本显著（$0.11-0.30/千字符）
2. 网络依赖：所有合成请求需联网，无离线能力
3. 中文支持相对薄弱：虽支持中文，但 ElevenLabs 在中文韵律自然度上略逊于讯飞、阿里云等本土方案
4. 声线不可完全定制：预设声线参数固定，深度调整需通过 Voice Design 重新生成而非微调
5. 音效生成可控性有限：SFX 依赖文本提示，对精确音频需求的还原度不稳定
适合人群
- 内容创作者：YouTube 博主、播客主播、有声书制作人，需快速生成高质量旁白
- 开发者/技术用户：通过 CLI 批量处理音频流水线，或集成到 OpenClaw 自动化工作流
- 多语言内容团队：需统一声线跨语言输出（如英语主内容 + 西班牙语本地化）
- 游戏/交互设计师：需要程序化生成角色语音和环境音效
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| API key 泄露 | 密钥存储于本地 config.json，误提交可能导致账户被盗刷 | `.gitignore` 已预配置；建议配合 env 变量使用 |
| 成本失控 | 长文本批量处理可能产生意外高额账单 | 启用预算上限；定期查看 `--stats` 用量 |
| 声线滥用 | ElevenLabs 明确禁止模仿真实人物声线用于欺诈 | 遵守服务条款；仅使用官方 Voice Design 或授权声线 |
| 内容审核 | 生成的音频需符合 ElevenLabs 内容政策 | 避免生成仇恨、欺诈、侵权内容 |
| 服务中断 | API 依赖 ElevenLabs 服务可用性 | 关键场景保留本地 TTS 备份方案 |