核心用法
ElevenLabs TTS 是基于 ElevenLabs v3 模型的文本转语音技能，核心亮点在于情感音频标签（audio tags）系统。用户可通过方括号标签如 [excited]、[whispers]、[nervous] 直接控制语音的情绪、语速、音量和反应，实现传统TTS难以企及的表达力。
典型工作流程：
1. 配置 ELEVENLABS_API_KEY 和 ffmpeg 环境
2. 在文本中嵌入音频标签（如 [soft] It started... [pause] But something felt different）
3. 调用 tts 工具生成 MP3
4. 如需发送至 WhatsApp，用 ffmpeg 转换为 Opus 格式（.ogg）
5. 使用 message 工具发送语音消息
关键配置参数：
modelId: 必须使用eleven_v3（唯一支持音频标签的模型）stability: 0.3-0.5（Creative）最佳，过高会降低标签响应度voiceId: 推荐 Adam、Rachel 等 v3 优化预制声音
显著优点
1. 情感控制粒度极细：70+音频标签覆盖情绪、反应、语速、口音、对话打断等多维度，实现"导演级"语音生成
2. 多语言原生支持：70+语言均可使用完整标签控制，包括希伯来语、阿拉伯语等复杂语种
3. WhatsApp 完整适配：内置 ffmpeg 转换流程，解决 MP3 在 Android 端的兼容性问题，支持语音转录按钮
4. 非确定性优化：同一文本可生成多个版本供挑选，适合追求完美的内容创作者
5. 长音频支持：通过分段生成+ffmpeg 拼接实现播客级长内容
潜在缺点与局限性
1. API 成本：ElevenLabs 按字符计费，高频使用成本较高；v3 为 alpha 版本，定价和稳定性可能变动
2. 标签滥用风险：过多标签（>2个/句）会导致机械感；需学习"少即是多"的撰写技巧
3. 声音匹配限制：标签效果高度依赖所选声音特性，如 [shouts] 用于轻声语音效果极差
4. 非确定性双刃剑：需多次生成选优，批量生产场景效率受限
5. SSML 不支持：v3 完全不支持 SSML，企业级精细控制需求无法满足
6. 800字符质量墙：超过此长度后声音一致性显著下降，长内容必须分段处理
适合人群
- 内容创作者：播客、有声书、短视频配音，需情感丰富的AI语音
- 开发者/自动化工程师：构建 WhatsApp 聊天机器人、语音交互系统
- 多语言应用开发者：需统一质量的多语言 TTS 解决方案
- 无障碍工具开发者：为视障用户生成自然、有情感的语音内容
常规风险
1. API 密钥泄露：ELEVENLABS_API_KEY 需妥善保管，避免硬编码提交至版本控制
2. 成本失控：长文本或高频调用易产生意外账单，建议设置用量监控
3. 版权与深度伪造：ElevenLabs 的 IVC（即时声音克隆）功能存在被滥用于伪造语音的风险，需遵守平台使用条款
4. WhatsApp 封控风险：自动化发送语音消息可能触发平台反垃圾机制，需控制发送频率
5. ffmpeg 依赖：系统必须预装 ffmpeg，容器化部署需额外配置