Eleven Multilingual v2 es el modelo de texto a voz de ElevenLabs para narración natural, sensible a la emoción y coherente. Acepta un guion escrito y devuelve audio hablado, cuya voz seleccionada aporta buena parte del carácter y el acento. El productor destaca la estabilidad en generaciones más largas, el contenido profesional, las voces de personajes, el aprendizaje electrónico y los proyectos multilingües. Es un modelo de síntesis de voz, separado del transformador de voz con nombre similar Multilingual Speech to Speech.
El conjunto documentado contiene 29 idiomas: inglés, japonés, chino, alemán, hindi, francés, coreano, portugués, italiano, español, indonesio, neerlandés, turco, filipino, polaco, sueco, búlgaro, rumano, árabe, checo, griego, finés, croata, malayo, eslovaco, danés, tamil, ucraniano y ruso. Prepara el guion real en un idioma compatible antes de sintetizar, en lugar de esperar que el modelo de voz lo traduzca.
El modelo está diseñado para conservar las características y personalidad del hablante elegido entre los idiomas compatibles. El acento sigue dependiendo mucho de la voz: ElevenLabs recomienda una voz entrenada en el idioma y acento regional de destino porque una voz no nativa puede conservar su acento original o desviarse. Para un curso localizado, conserva la función del narrador y el tono general mientras adaptas la estructura de frases, terminología y pronunciación al público. Una identidad de voz compartida no elimina la necesidad de revisar la expresión en el idioma de destino.
El límite por solicitud es de 10.000 caracteres. El material más largo puede dividirse en capítulos o secciones conectados; el flujo compartido TTS del productor documenta texto anterior y posterior, o contexto de solicitudes vecinas, para conservar la prosodia entre fragmentos. Mantén la división en un límite significativo de frase y aporta suficiente contexto circundante para el inicio y el final de un pasaje. Los minutos aproximados por solicitud del fabricante no son una promesa de duración fija porque las palabras, el idioma y el ritmo determinan la longitud de la grabación seleccionada.
La expresión sigue el significado del texto, el contexto narrativo, la puntuación y la voz elegida. La estabilidad controla la variabilidad y el rango emocional; la similaridad controla cuánto se parece el resultado a la voz. La guía compartida del producto describe un rango de velocidad de 0.7 a 1.2, con 1.0 sin cambios. Una estabilidad alta puede sonar contenida o monótona, mientras que una estabilidad demasiado baja puede hacer errática una interpretación. El texto escrito de indicaciones de expresión puede pronunciarse, por lo que debes preparar el guion final, en lugar de incluir instrucciones que nunca deban escucharse.
El flujo de pausas de este modelo admite etiquetas break de SSML, a diferencia de v3 y v4. El productor da <break time="1.5s" /> como una forma de solicitar una pausa natural y documenta pausas de hasta tres segundos. Un exceso de etiquetas break puede introducir cambios de velocidad o artefactos y la voz elegida puede afectar a cómo suena una pausa. Utiliza pausas en transiciones significativas, como después de una definición o antes de la siguiente parte de una instrucción narrada.
Multilingual v2 no admite etiquetas de fonemas en la guía de pronunciación del fabricante. Utiliza alias de diccionario o una grafía alternativa preparada para indicar la forma hablada deseada de un nombre, sigla o término técnico. ElevenLabs también describe que este modelo trata los números de forma más natural que Flash v2.5, mientras que su guía de preparación sigue recomendando escribir números, fechas y símbolos críticos como las palabras que deban pronunciarse. Un código de referencia y una cantidad necesitan lecturas diferentes aunque sus dígitos escritos parezcan similares.
La familia de formatos de audio del productor incluye MP3 para distribución, PCM sin comprimir de 16 bits para producción, μ-law y A-law para telefonía y Opus. La generación completa de voz y el streaming están documentados en el flujo compartido TTS. Elige la salida según el destino previsto y conserva juntos el guion, la voz y la grabación seleccionada. Un capítulo de audiolibro, una narración corporativa y una lección corta pueden utilizar el mismo propósito de modelo y necesitar ritmos y segmentaciones diferentes.
Para una lección práctica, escribe la introducción, definiciones, ejemplo y transición como pasajes hablados completos. Marca los términos que necesiten pronunciación coherente y utiliza una pausa natural después del concepto central. Revisa una parte representativa que contenga nombres, números y una frase más larga, comprobando el acento, la inteligibilidad y si la expresión sigue estable al atravesar el límite de sección. El artefacto útil es una grabación narrativa coherente que puede incorporarse al curso, audiolibro o vídeo junto a su guion de origen.
", "aboutText": "Eleven Multilingual v2 es el modelo de texto a voz de ElevenLabs para narración natural, sensible a la emoción y coherente. Acepta un guion escrito y devuelve audio hablado, cuya voz seleccionada aporta buena parte del carácter y el acento. El productor destaca la estabilidad en generaciones más largas, el contenido profesional, las voces de personajes, el aprendizaje electrónico y los proyectos multilingües. Es un modelo de síntesis de voz, separado del transformador de voz con nombre similar Multilingual Speech to Speech.\n\nEl conjunto documentado contiene 29 idiomas: inglés, japonés, chino, alemán, hindi, francés, coreano, portugués, italiano, español, indonesio, neerlandés, turco, filipino, polaco, sueco, búlgaro, rumano, árabe, checo, griego, finés, croata, malayo, eslovaco, danés, tamil, ucraniano y ruso. Prepara el guion real en un idioma compatible antes de sintetizar, en lugar de esperar que el modelo de voz lo traduzca.\n\nEl modelo está diseñado para conservar las características y personalidad del hablante elegido entre los idiomas compatibles. El acento sigue dependiendo mucho de la voz: ElevenLabs recomienda una voz entrenada en el idioma y acento regional de destino porque una voz no nativa puede conservar su acento original o desviarse. Para un curso localizado, conserva la función del narrador y el tono general mientras adaptas la estructura de frases, terminología y pronunciación al público. Una identidad de voz compartida no elimina la necesidad de revisar la expresión en el idioma de destino.\n\nEl límite por solicitud es de 10.000 caracteres. El material más largo puede dividirse en capítulos o secciones conectados; el flujo compartido TTS del productor documenta texto anterior y posterior, o contexto de solicitudes vecinas, para conservar la prosodia entre fragmentos. Mantén la división en un límite significativo de frase y aporta suficiente contexto circundante para el inicio y el final de un pasaje. Los minutos aproximados por solicitud del fabricante no son una promesa de duración fija porque las palabras, el idioma y el ritmo determinan la longitud de la grabación seleccionada.\n\nLa expresión sigue el significado del texto, el contexto narrativo, la puntuación y la voz elegida. La estabilidad controla la variabilidad y el rango emocional; la similaridad controla cuánto se parece el resultado a la voz. La guía compartida del producto describe un rango de velocidad de 0.7 a 1.2, con 1.0 sin cambios. Una estabilidad alta puede sonar contenida o monótona, mientras que una estabilidad demasiado baja puede hacer errática una interpretación. El texto escrito de indicaciones de expresión puede pronunciarse, por lo que debes preparar el guion final, en lugar de incluir instrucciones que nunca deban escucharse.\n\nEl flujo de pausas de este modelo admite etiquetas break de SSML, a diferencia de v3 y v4. El productor daelevenlabs/eleven-multilingual-v2Eleven Multilingual v2 produce voz natural y coherente a partir de texto en 29 idiomas. ElevenLabs lo posiciona para narración larga, cursos, audiolibros y contenido multilingüe, con un límite de 10.000 caracteres por solicitud y control del acento y la expresión mediante la voz elegida.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Eleven Multilingual v2 es el modelo de texto a voz de ElevenLabs para narración natural, sensible a la emoción y coherente. Acepta un guion escrito y devuelve audio hablado, cuya voz seleccionada aporta buena parte del carácter y el acento. El productor destaca la estabilidad en generaciones más largas, el contenido profesional, las voces de personajes, el aprendizaje electrónico y los proyectos multilingües. Es un modelo de síntesis de voz, separado del transformador de voz con nombre similar Multilingual Speech to Speech.
El conjunto documentado contiene 29 idiomas: inglés, japonés, chino, alemán, hindi, francés, coreano, portugués, italiano, español, indonesio, neerlandés, turco, filipino, polaco, sueco, búlgaro, rumano, árabe, checo, griego, finés, croata, malayo, eslovaco, danés, tamil, ucraniano y ruso. Prepara el guion real en un idioma compatible antes de sintetizar, en lugar de esperar que el modelo de voz lo traduzca.
El modelo está diseñado para conservar las características y personalidad del hablante elegido entre los idiomas compatibles. El acento sigue dependiendo mucho de la voz: ElevenLabs recomienda una voz entrenada en el idioma y acento regional de destino porque una voz no nativa puede conservar su acento original o desviarse. Para un curso localizado, conserva la función del narrador y el tono general mientras adaptas la estructura de frases, terminología y pronunciación al público. Una identidad de voz compartida no elimina la necesidad de revisar la expresión en el idioma de destino.
El límite por solicitud es de 10.000 caracteres. El material más largo puede dividirse en capítulos o secciones conectados; el flujo compartido TTS del productor documenta texto anterior y posterior, o contexto de solicitudes vecinas, para conservar la prosodia entre fragmentos. Mantén la división en un límite significativo de frase y aporta suficiente contexto circundante para el inicio y el final de un pasaje. Los minutos aproximados por solicitud del fabricante no son una promesa de duración fija porque las palabras, el idioma y el ritmo determinan la longitud de la grabación seleccionada.
La expresión sigue el significado del texto, el contexto narrativo, la puntuación y la voz elegida. La estabilidad controla la variabilidad y el rango emocional; la similaridad controla cuánto se parece el resultado a la voz. La guía compartida del producto describe un rango de velocidad de 0.7 a 1.2, con 1.0 sin cambios. Una estabilidad alta puede sonar contenida o monótona, mientras que una estabilidad demasiado baja puede hacer errática una interpretación. El texto escrito de indicaciones de expresión puede pronunciarse, por lo que debes preparar el guion final, en lugar de incluir instrucciones que nunca deban escucharse.
El flujo de pausas de este modelo admite etiquetas break de SSML, a diferencia de v3 y v4. El productor da <break time="1.5s" /> como una forma de solicitar una pausa natural y documenta pausas de hasta tres segundos. Un exceso de etiquetas break puede introducir cambios de velocidad o artefactos y la voz elegida puede afectar a cómo suena una pausa. Utiliza pausas en transiciones significativas, como después de una definición o antes de la siguiente parte de una instrucción narrada.
Multilingual v2 no admite etiquetas de fonemas en la guía de pronunciación del fabricante. Utiliza alias de diccionario o una grafía alternativa preparada para indicar la forma hablada deseada de un nombre, sigla o término técnico. ElevenLabs también describe que este modelo trata los números de forma más natural que Flash v2.5, mientras que su guía de preparación sigue recomendando escribir números, fechas y símbolos críticos como las palabras que deban pronunciarse. Un código de referencia y una cantidad necesitan lecturas diferentes aunque sus dígitos escritos parezcan similares.
La familia de formatos de audio del productor incluye MP3 para distribución, PCM sin comprimir de 16 bits para producción, μ-law y A-law para telefonía y Opus. La generación completa de voz y el streaming están documentados en el flujo compartido TTS. Elige la salida según el destino previsto y conserva juntos el guion, la voz y la grabación seleccionada. Un capítulo de audiolibro, una narración corporativa y una lección corta pueden utilizar el mismo propósito de modelo y necesitar ritmos y segmentaciones diferentes.
Para una lección práctica, escribe la introducción, definiciones, ejemplo y transición como pasajes hablados completos. Marca los términos que necesiten pronunciación coherente y utiliza una pausa natural después del concepto central. Revisa una parte representativa que contenga nombres, números y una frase más larga, comprobando el acento, la inteligibilidad y si la expresión sigue estable al atravesar el límite de sección. El artefacto útil es una grabación narrativa coherente que puede incorporarse al curso, audiolibro o vídeo junto a su guion de origen.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites elevenlabs/eleven-multilingual-v2 | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 Longitud máxima: 10.000 Unidad: caracteres Unicode | Predeterminado— |
Campovoice | Tipostring | RequisitoObligatorio | Valores y límites george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoObligatorio | Valores y límites mp3 | Predeterminado— |
text_to_speech · Obligatorio: input
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input, voice, response_format |
Parámetrovoice_ids | Contratogeorge, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will |
Parámetroresponse_format | Contratomp3 |
Parámetromax_input_characters | Contrato10000 |
Parámetroother_options | Contratofalse |
Parámetroinput | Contratotexto UTF-8 exacto; recuento de caracteres Unicode sin normalización |
Parámetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id real devuelto o registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Selecciona una voz exacta de este perfil de modelo.
Los caracteres de entrada y los segundos de audio son métricas de consumo diferentes.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Unidad de facturación | Cargo |
|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| Configuracióncarácter de entrada | Tabla de tarifas— | Unidad de facturaciónpor carácter de entrada | Cargo Entrada · carácter de entrada $0.00016 por carácter de entrada |
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot seleccionado.
| Configuración | Condiciones de facturación | Cargo |
|---|---|---|
| ConfiguraciónElevenLabs: Eleven Multilingual v2 · Configuración predeterminada | Condiciones de facturaciónConfiguración predeterminada | Cargo Entrada · Caracteres de entrada 0,00008 US$ por carácter de entrada |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "elevenlabs/eleven-multilingual-v2", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["george", "sarah", "adam", "alice", "bella", "bill", "brian", "callum", "charlie", "chris", "daniel", "eric", "harry", "jessica", "laura", "liam", "lily", "matilda", "river", "roger", "will"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el resultado binario completo y las cabeceras. Si se devuelve JSON o varias salidas, conserva todos los elementos de datos y descarga el recurso de cada URL firmada real.
Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta dedicada para consultar periódicamente el audio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Respuestaserver_error | CondiciónLa respuesta devuelta indica que la operación o el resultado requiere una comprobación | Siguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Ailoot Ultra elevenlabs/eleven-multilingual-v2
Usa las rutas de método indicadas arriba.