需要把已有录音中的人声换成另一个目标嗓音并保留情绪…

将一段已有录音转换成 ElevenLabs 中已有 voice_id 的目标嗓音，保留原表演的情绪、节奏、语调、呼吸、耳语、笑、哭等，用于改旁白、配音、角色声音或匿名化。

适用场景

解决思路

1. 设置环境：需要联网并设置 ELEVENLABS_API_KEY；安装步骤见 references/installation.md；JavaScript 只用 @elevenlabs/* 包。
2. Python 快速开始：from elevenlabs import ElevenLabs；client = ElevenLabs()；以 rb 打开 source.mp3；调用 client.speech_to_speech.convert(voice_id=JBFqnCBsd6RMkjVDRZzb, audio=audio_file, model_id=eleven_multilingual_sts_v2, output_format=mp3_44100_128)；把返回 audio_stream 分块写入 converted.mp3。
3. JavaScript 快速开始：从 @elevenlabs/elevenlabs-js 导入 ElevenLabsClient，从 fs 导入 createReadStream/createWriteStream；创建 client；调用 client.speechToSpeech.convert(JBFqnCBsd6RMkjVDRZzb, { audio: createReadStream(source.mp3), modelId: eleven_multilingual_sts_v2, outputFormat: mp3_44100_128 })；将 audioStream pipe 到 createWriteStream(converted.mp3)。
4. CLI 快速开始：运行 elevenlabs speech-to-speech convert --voice-id JBFqnCBsd6RMkjVDRZzb --audio source.mp3 --model-id eleven_multilingual_sts_v2 --output-format mp3_44100_128 --output converted.mp3。
5. 请求限制处理：单请求最长 5 分钟音频，最大 50 MB；超过 5 分钟要分块，切在自然停顿处，逐块转换后拼接；文件超过 50 MB 先压缩为 MP3。
6. 计费认知：按处理音频时长计费，1,000 字符每音频分钟，不是按文本字符计费；处理前按音频分钟数预估成本。
7. 模型选择：只有 can_do_voice_conversion 属性为 true 的模型可用于此处；推荐 eleven_multilingual_sts_v2，支持 29 种语言，即使英语音频也常优于英语模型；eleven_english_sts_v2 是 API 默认且仅英语后备。
8. 低延迟说明：Voice Changer 当前没有低延迟 flash/turbo 层；若需要低延迟，保持 pcm_s16le_16 输入、使用 opus_* 或低比特率 mp3_* 输出，并提高 optimize_streaming_latency。
9. 多语言支持：eleven_multilingual_sts_v2 支持 English (US, UK, AU, CA)、Japanese、Chinese、German、Hindi、French (FR, CA)、Korean、Portuguese (BR, PT)、Italian、Spanish (ES, MX)、Indonesian、Dutch、Turkish、Filipino、Polish、Swedish、Bulgarian、Romanian、Arabic (SA, AE)、Czech、Greek、Finnish、Croatian、Malay、Slovak、Danish、Tamil、Ukrainian、Russian。
10. 目标语音选择：可使用预置声音、你的克隆声音或声音库中的任意 voice_id。
11. 流行预置声音：JBFqnCBsd6RMkjVDRZzb George（男性，叙事）；EXAVITQu4vr4xnSDxMaL Sarah（女性，柔和）；onwK4e9ZLuTAKqWW03F9 Daniel（男性，权威）；XB0fDUnXU5powFXDhCwa Charlotte（女性，对话）。
12. 获取所有声音：voices = client.voices.get_all()；遍历 voices.voices，打印 voice.voice_id 和 voice.name。
13. 从 URL 转换：用 requests.get(audio_url) 下载；用 BytesIO(response.content) 包装；调用 client.speech_to_speech.convert(voice_id=JBFqnCBsd6RMkjVDRZzb, audio=audio_data, model_id=eleven_multilingual_sts_v2, output_format=mp3_44100_128)；写入 converted.mp3。
14. 参数 voice_id：string，必填，目标声音，使用预置声音 ID、克隆声音或声音库中的声音。
15. 参数 audio：file，必填，源音频，其表演（情绪、时间、演绎）会被保留。
16. 参数 model_id：string，默认 eleven_english_sts_v2；多语言用 eleven_multilingual_sts_v2，英语专用用 eleven_english_sts_v2。
17. 参数 output_format：string，默认 mp3_44100_128；可用格式见输出格式表。
18. 参数 voice_settings：JSON string，可选，仅本次请求覆盖已存储声音设置。
19. 参数 seed：integer，可选，尽力确定性采样，范围 0–4294967295。
20. 参数 remove_background_noise：boolean，默认 false，转换前对输入运行隔离模型。
21. 参数 file_format：string，默认 other；other 表示任意编码音频，pcm_s16le_16 表示 16-bit PCM mono @ 16kHz little-endian，延迟更低。
22. 参数 optimize_streaming_latency：int 查询参数，可选，0–4，牺牲质量换延迟；4 最快但禁用文本归一化。
23. 参数 enable_logging：boolean 查询参数，默认 true；设为 false 启用零保留模式（仅企业，禁用历史和拼接）。
24. 覆盖声音设置：调用 convert 时传 voice_settings=VoiceSettings(stability=0.5, similarity_boost=0.75, style=0.0, use_speaker_boost=True)，仅对本次请求生效，不改变存储默认值。
25. Stability：越低情绪范围越大、越跟随源，越高交付越稳定。
26. Similarity boost：越高越接近目标音色，可能放大源音频瑕疵。
27. Style：夸张目标声音的独特特征（v2+ 模型）。
28. Speaker boost：后处理，锐化目标声音清晰度。
29. 清理噪声输入：若源音频有噪声，先用 voice-isolator 预处理，或传 remove_background_noise=True 在单次调用中处理；更干净的输入几乎总会产生更好的转换。
30. 低延迟 PCM 输入：如果已有 raw 16-bit PCM mono @ 16kHz，传 file_format=pcm_s16le_16 跳过解码并降低延迟；可配合 optimize_streaming_latency（0–4）查询参数进一步降延迟，但牺牲质量。
31. 输出格式：mp3_44100_128 是默认，适合网页/应用；mp3_44100_192 适合更高品质（Creator+）；mp3_44100_64 文件更小；mp3_22050_32 最小 MP3；pcm_16000 适合实时管线；pcm_24000 适合流式平衡；pcm_44100（Pro+）CD 质量；pcm_48000（Pro+）最高质量；ulaw_8000 用于 Twilio/电话；alaw_8000 用于电话；opus_48000_64 用于高效流式。
32. 确定性输出：传 seed（0–4294967295）使相同输入重复转换尽量返回相同音频，便于测试和 A/B 对比。
33. 输入音频要富有表现力：耳语、喊、笑、哭都会被保留；平淡输入得到平淡输出。
34. 注意麦克风增益：太安静模型检测不到音素，太响削波会进入转换；目标健康峰值且不削波。
35. 口音和节奏转移来自源音频，不是目标声音：如果用美音读、目标英音 George，会得到 George 音色加美音；要配成不同口音或语言，需录目标口音/语言的人再转换为克隆/声音库声音。
36. 先清理噪声：传 remove_background_noise=True 或先用 voice-isolator 处理源；噪声在语音转换中比 TTS 影响更大。
37. 拆分长录音：超过 5 分钟必须分块；在自然停顿处切，逐块转换，再拼接输出音频。
38. 重新配音旁白：保留草稿录音的表演，用 convert 换成不同旁白 voice_id。
39. 本地化/配音：用 eleven_multilingual_sts_v2 将配音转换成同一说话人在另一语言的克隆声音。
40. 创建角色声音：自己演一句，转换成游戏或动画的独特角色声音。
41. 匿名化说话人：用中性预置声音替换可识别声音，同时保留说了什么和怎么说。
42. 搭配 voice-isolator：对嘈杂现场录音先隔离源声音，或设置 remove_background_noise=True 再转换。
43. 搭配 voice cloning：从短样本克隆目标声音，然后用其 voice_id 作为转换目标。
44. 错误处理：用 try/except 包裹 client.speech_to_speech.convert；失败时打印 Voice changer failed: {e}。
45. 常见错误：401 无效 API key；422 参数无效（检查 voice_id、model_id 或 file_format 与提供的音频是否匹配）；429 超出速率限制。
46. 参考：安装指南见 references/installation.md。

适用边界 · 注意事项

• 不要用于从语音样本创建或克隆新声音；那是 voice cloning（IVC/PVC）功能，本技能只把已有录音转换为已有 voice_id。
• 没有 ElevenLabs API key、无法联网或不能使用 ElevenLabs 付费服务时不要使用本技能。
• 源音频超过 5 分钟或 50 MB 且未拆分/压缩时，不要直接单请求处理。