前言

在 Day 20 的文章中，我第一次實際使用自己規劃的 App，也發現一個明顯的落差：人聲引導還是得做進 App，練習呼吸的體驗才會完整。今天我嘗試用 ElevenLabs 的文字轉語音（Text-to-Speech）製作人聲引導音檔，本文會先介紹 ElevenLabs，再分享製作過程。

ElevenLabs 的產品在做什麼 - AI 語音生成平台

ElevenLabs 是一家成立於 2022 年的人工智慧研究與產品公司，由前 Google 機器學習工程師 Piotr Dąbkowski 與前 Palantir 策略師 Mati Staniszewski 共同創辦。兩人最初希望改善電影配音品質，進而投入語音生成技術，致力讓內容跨越語言與聲音的限制。其核心技術能將文字轉換為自然、富有情緒的語音，並提供聲音複製、聲音設計、多語配音及音效生成等工具，協助創作者與企業製作音訊內容。旗下的 ElevenCreative 則支援語音、音樂、圖像與影片的生成及編輯，服務創作者與行銷團隊。

為何選擇 ElevenLabs

之前有和 AI 討論人聲製作的選擇，一開始嘗試了 iOS 內建的 TTS，聽起來過於清晰、缺乏情感，比較適合朗讀文章或報導等情境，用在需要放鬆的呼吸練習上並不合適。ElevenLabs 則能透過標籤控制語氣與情緒，做出更接近真人、自然帶有情緒的引導聲音。

運用 ElevenLabs 的 Text-to-Speech 功能製作人聲引導

Step 1: 定義文案

本文以 4-7-8 呼吸法為例。這段文案會在練習開始前播放，先讓使用者把當下的狀態安頓下來，再用三輪引導熟悉節奏，之後就進入只有背景音樂的練習階段。這樣安排是為了避免人聲主導性太強，佔據整段練習。

歡迎來到這段呼吸練習，找一個舒服的姿勢，坐著或躺著都可以。

如果願意，輕輕閉上眼睛。自然呼吸，放鬆你的肩膀，讓身體慢慢沉下來。準備好了，我們開始。

吸氣四秒，1 — 2 — 3 — 4。
屏氣七秒，1 — 2 — 3 — 4 — 5 — 6 — 7。
吐氣八秒，1 — 2 — 3 — 4 — 5 — 6 — 7 — 8。

吸氣四秒，1 — 2 — 3 — 4。
屏氣七秒，1 — 2 — 3 — 4 — 5 — 6 — 7。
吐氣八秒，1 — 2 — 3 — 4 — 5 — 6 — 7 — 8。

吸氣四秒，1 — 2 — 3 — 4。
屏氣七秒，1 — 2 — 3 — 4 — 5 — 6 — 7。
吐氣八秒，1 — 2 — 3 — 4 — 5 — 6 — 7 — 8。

Step 2: 選擇聲音及適合的語調

如果要生成繁體中文語音，ElevenLabs 免費版目前只有三種聲音可選，我從中挑了語調最接近我想要的一種。

Step 3: 控制說話時的語調及情緒

ElevenLabs 官方文件有一篇最佳實踐，說明如何控制語調、情緒等元素，讓 AI 生成的語音更自然、更有情感。我主要用的是 Audio Tag（音訊標籤），讓人聲引導聽起來緩慢且柔和。

做法是在文案中插入標籤，例如標註某句要更柔和、更緩慢，或在句子之間加入停頓，生成的語音就會照著標籤調整語氣。

除此之外，還有許多標籤可以嘗試：

詳細內容可以參考官方文件中的 Audio Tag 介紹

Step 4: 迭代生成音檔，找到自己覺得最適合的

ElevenLabs 每次生成都會給兩個版本，建議兩個都聽，也多生成幾次比較。即使套用了 Audio Tag，有時還是會遇到前面語氣都很一致，中間卻莫名地音調飆高、情緒突然變得很 high，或音量突然變大。

這類問題看來蠻常見，回報結果時已經有預設的對應選項可以勾選。

我大概生成了 4 輪，才找到一個語氣穩定、情緒符合標籤設定、中途沒有突然變調的版本。

Step 5: 將音檔提供給 Claude Code 整合進入 App

輸出的音檔是 MP3 格式。接著我把需求和音檔交給 Claude Code 實作，再實際在手機上體驗看看。

加入人聲引導後的體驗差異

加入人聲引導後，體驗落差明顯改善了。開頭的引導語，像是找個舒服的位置、調整姿勢、放鬆肩膀，能讓我慢慢進入狀態，而不是一開始就直接練習，感到不知所措。