Eleven Multilingual v2 est le modèle de synthèse vocale d’ElevenLabs pour une narration naturelle, sensible aux émotions et cohérente. Il accepte un script écrit et renvoie de l’audio parlé, la voix choisie apportant une grande partie de son caractère et de son accent. Le producteur met en avant la stabilité sur les générations plus longues, les contenus professionnels, les voix de personnages, l’apprentissage en ligne et les projets multilingues. C’est un modèle de synthèse vocale, distinct du modificateur de voix Multilingual Speech to Speech au nom similaire.
L’ensemble documenté contient 29 langues : l’anglais, le japonais, le chinois, l’allemand, l’hindi, le français, le coréen, le portugais, l’italien, l’espagnol, l’indonésien, le néerlandais, le turc, le filipino, le polonais, le suédois, le bulgare, le roumain, l’arabe, le tchèque, le grec, le finnois, le croate, le malais, le slovaque, le danois, le tamoul, l’ukrainien et le russe. Préparez le script réel dans une langue prise en charge avant la synthèse, plutôt que d’attendre du modèle vocal qu’il le traduise.
Le modèle est conçu pour conserver les caractéristiques et la personnalité du locuteur choisi dans les langues prises en charge. L’accent dépend néanmoins fortement de la voix : ElevenLabs recommande une voix entraînée dans la langue cible et avec l’accent régional visé, car une voix non native peut conserver son accent d’origine ou dériver. Pour un cours localisé, préservez le rôle du narrateur et le ton général tout en adaptant la structure des phrases, la terminologie et la prononciation au public. Une identité vocale partagée ne supprime pas la nécessité de vérifier l’interprétation dans la langue cible.
La limite par requête est de 10 000 caractères. Un contenu plus long peut être divisé en chapitres ou en sections reliés ; le processus commun de TTS du producteur documente le texte précédent et suivant, ou le contexte des requêtes voisines, pour préserver la prosodie entre les segments. Gardez la division à une limite de phrase porteuse de sens et fournissez assez de contexte environnant pour le début et la fin d’un passage. Les minutes approximatives par requête du fabricant ne constituent pas une promesse de durée fixe, car les mots, la langue et le rythme déterminent la longueur de l’enregistrement choisi.
L’interprétation suit le sens du texte, le contexte narratif, la ponctuation et la voix choisie. La stabilité contrôle la variabilité et l’amplitude émotionnelle ; la similarité contrôle la ressemblance du résultat avec la voix. Le guide commun du produit décrit une plage de vitesse de 0.7 à 1.2, avec 1.0 pour une vitesse inchangée. Une stabilité élevée peut paraître retenue ou monotone, tandis qu’une stabilité trop faible peut rendre l’interprétation irrégulière. Des indications écrites d’interprétation peuvent elles-mêmes être prononcées ; préparez donc le script définitif plutôt que d’y intégrer des instructions qui ne doivent jamais être entendues.
Le processus de pauses de ce modèle prend en charge les balises SSML break, contrairement à v3 et v4. Le producteur donne <break time="1.5s" /> comme moyen de demander une pause naturelle et documente des pauses allant jusqu’à trois secondes. Des balises break excessives peuvent introduire des variations de vitesse ou des artefacts, et la voix choisie peut influer sur le rendu d’une pause. Utilisez les pauses aux transitions porteuses de sens, par exemple après une définition ou avant la partie suivante d’une instruction narrée.
Multilingual v2 ne prend pas en charge les balises de phonèmes dans le guide de prononciation du fabricant. Utilisez des alias de dictionnaire ou une graphie alternative préparée pour indiquer la forme parlée souhaitée d’un nom, d’un acronyme ou d’un terme technique. ElevenLabs décrit aussi ce modèle comme traitant les nombres plus naturellement que Flash v2.5, tandis que ses recommandations de préparation préconisent toujours d’écrire les nombres, les dates et les symboles critiques sous la forme des mots à prononcer. Un code de référence et une quantité nécessitent des lectures différentes, même lorsque leurs chiffres écrits se ressemblent.
La famille de formats audio du producteur comprend MP3 pour la distribution, le PCM non compressé de 16 bits pour la production, μ-law et A-law pour la téléphonie, et Opus. La génération vocale complète et le streaming sont documentés dans le processus commun de TTS. Choisissez la sortie selon la destination visée et conservez ensemble le script, la voix et l’enregistrement sélectionné. Un chapitre de livre audio, une narration d’entreprise et une courte leçon peuvent utiliser la même fonction du modèle tout en nécessitant des rythmes et des segmentations différents.
Pour une leçon concrète, rédigez l’introduction, les définitions, l’exemple et la transition sous forme de passages parlés complets. Repérez les termes nécessitant une prononciation cohérente et utilisez une pause naturelle après le concept central. Vérifiez une partie représentative contenant des noms, des nombres et une phrase plus longue, en contrôlant l’accent, l’intelligibilité et la régularité de l’interprétation à travers la limite de section. L’artefact utile est un enregistrement de narration cohérent pouvant être placé dans le cours, le livre audio ou la vidéo avec son script source.
", "aboutText": "Eleven Multilingual v2 est le modèle de synthèse vocale d’ElevenLabs pour une narration naturelle, sensible aux émotions et cohérente. Il accepte un script écrit et renvoie de l’audio parlé, la voix choisie apportant une grande partie de son caractère et de son accent. Le producteur met en avant la stabilité sur les générations plus longues, les contenus professionnels, les voix de personnages, l’apprentissage en ligne et les projets multilingues. C’est un modèle de synthèse vocale, distinct du modificateur de voix Multilingual Speech to Speech au nom similaire.\n\nL’ensemble documenté contient 29 langues : l’anglais, le japonais, le chinois, l’allemand, l’hindi, le français, le coréen, le portugais, l’italien, l’espagnol, l’indonésien, le néerlandais, le turc, le filipino, le polonais, le suédois, le bulgare, le roumain, l’arabe, le tchèque, le grec, le finnois, le croate, le malais, le slovaque, le danois, le tamoul, l’ukrainien et le russe. Préparez le script réel dans une langue prise en charge avant la synthèse, plutôt que d’attendre du modèle vocal qu’il le traduise.\n\nLe modèle est conçu pour conserver les caractéristiques et la personnalité du locuteur choisi dans les langues prises en charge. L’accent dépend néanmoins fortement de la voix : ElevenLabs recommande une voix entraînée dans la langue cible et avec l’accent régional visé, car une voix non native peut conserver son accent d’origine ou dériver. Pour un cours localisé, préservez le rôle du narrateur et le ton général tout en adaptant la structure des phrases, la terminologie et la prononciation au public. Une identité vocale partagée ne supprime pas la nécessité de vérifier l’interprétation dans la langue cible.\n\nLa limite par requête est de 10 000 caractères. Un contenu plus long peut être divisé en chapitres ou en sections reliés ; le processus commun de TTS du producteur documente le texte précédent et suivant, ou le contexte des requêtes voisines, pour préserver la prosodie entre les segments. Gardez la division à une limite de phrase porteuse de sens et fournissez assez de contexte environnant pour le début et la fin d’un passage. Les minutes approximatives par requête du fabricant ne constituent pas une promesse de durée fixe, car les mots, la langue et le rythme déterminent la longueur de l’enregistrement choisi.\n\nL’interprétation suit le sens du texte, le contexte narratif, la ponctuation et la voix choisie. La stabilité contrôle la variabilité et l’amplitude émotionnelle ; la similarité contrôle la ressemblance du résultat avec la voix. Le guide commun du produit décrit une plage de vitesse de 0.7 à 1.2, avec 1.0 pour une vitesse inchangée. Une stabilité élevée peut paraître retenue ou monotone, tandis qu’une stabilité trop faible peut rendre l’interprétation irrégulière. Des indications écrites d’interprétation peuvent elles-mêmes être prononcées ; préparez donc le script définitif plutôt que d’y intégrer des instructions qui ne doivent jamais être entendues.\n\nLe processus de pauses de ce modèle prend en charge les balises SSML break, contrairement à v3 et v4. Le producteur donneelevenlabs/eleven-multilingual-v2Eleven Multilingual v2 produit une parole naturelle et cohérente à partir de texte dans 29 langues. ElevenLabs le positionne pour les narrations longues, les cours, les livres audio et les contenus multilingues, avec une limite de 10 000 caractères par requête et un contrôle de l’accent et de l’interprétation fondé sur la voix.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Eleven Multilingual v2 est le modèle de synthèse vocale d’ElevenLabs pour une narration naturelle, sensible aux émotions et cohérente. Il accepte un script écrit et renvoie de l’audio parlé, la voix choisie apportant une grande partie de son caractère et de son accent. Le producteur met en avant la stabilité sur les générations plus longues, les contenus professionnels, les voix de personnages, l’apprentissage en ligne et les projets multilingues. C’est un modèle de synthèse vocale, distinct du modificateur de voix Multilingual Speech to Speech au nom similaire.
L’ensemble documenté contient 29 langues : l’anglais, le japonais, le chinois, l’allemand, l’hindi, le français, le coréen, le portugais, l’italien, l’espagnol, l’indonésien, le néerlandais, le turc, le filipino, le polonais, le suédois, le bulgare, le roumain, l’arabe, le tchèque, le grec, le finnois, le croate, le malais, le slovaque, le danois, le tamoul, l’ukrainien et le russe. Préparez le script réel dans une langue prise en charge avant la synthèse, plutôt que d’attendre du modèle vocal qu’il le traduise.
Le modèle est conçu pour conserver les caractéristiques et la personnalité du locuteur choisi dans les langues prises en charge. L’accent dépend néanmoins fortement de la voix : ElevenLabs recommande une voix entraînée dans la langue cible et avec l’accent régional visé, car une voix non native peut conserver son accent d’origine ou dériver. Pour un cours localisé, préservez le rôle du narrateur et le ton général tout en adaptant la structure des phrases, la terminologie et la prononciation au public. Une identité vocale partagée ne supprime pas la nécessité de vérifier l’interprétation dans la langue cible.
La limite par requête est de 10 000 caractères. Un contenu plus long peut être divisé en chapitres ou en sections reliés ; le processus commun de TTS du producteur documente le texte précédent et suivant, ou le contexte des requêtes voisines, pour préserver la prosodie entre les segments. Gardez la division à une limite de phrase porteuse de sens et fournissez assez de contexte environnant pour le début et la fin d’un passage. Les minutes approximatives par requête du fabricant ne constituent pas une promesse de durée fixe, car les mots, la langue et le rythme déterminent la longueur de l’enregistrement choisi.
L’interprétation suit le sens du texte, le contexte narratif, la ponctuation et la voix choisie. La stabilité contrôle la variabilité et l’amplitude émotionnelle ; la similarité contrôle la ressemblance du résultat avec la voix. Le guide commun du produit décrit une plage de vitesse de 0.7 à 1.2, avec 1.0 pour une vitesse inchangée. Une stabilité élevée peut paraître retenue ou monotone, tandis qu’une stabilité trop faible peut rendre l’interprétation irrégulière. Des indications écrites d’interprétation peuvent elles-mêmes être prononcées ; préparez donc le script définitif plutôt que d’y intégrer des instructions qui ne doivent jamais être entendues.
Le processus de pauses de ce modèle prend en charge les balises SSML break, contrairement à v3 et v4. Le producteur donne <break time="1.5s" /> comme moyen de demander une pause naturelle et documente des pauses allant jusqu’à trois secondes. Des balises break excessives peuvent introduire des variations de vitesse ou des artefacts, et la voix choisie peut influer sur le rendu d’une pause. Utilisez les pauses aux transitions porteuses de sens, par exemple après une définition ou avant la partie suivante d’une instruction narrée.
Multilingual v2 ne prend pas en charge les balises de phonèmes dans le guide de prononciation du fabricant. Utilisez des alias de dictionnaire ou une graphie alternative préparée pour indiquer la forme parlée souhaitée d’un nom, d’un acronyme ou d’un terme technique. ElevenLabs décrit aussi ce modèle comme traitant les nombres plus naturellement que Flash v2.5, tandis que ses recommandations de préparation préconisent toujours d’écrire les nombres, les dates et les symboles critiques sous la forme des mots à prononcer. Un code de référence et une quantité nécessitent des lectures différentes, même lorsque leurs chiffres écrits se ressemblent.
La famille de formats audio du producteur comprend MP3 pour la distribution, le PCM non compressé de 16 bits pour la production, μ-law et A-law pour la téléphonie, et Opus. La génération vocale complète et le streaming sont documentés dans le processus commun de TTS. Choisissez la sortie selon la destination visée et conservez ensemble le script, la voix et l’enregistrement sélectionné. Un chapitre de livre audio, une narration d’entreprise et une courte leçon peuvent utiliser la même fonction du modèle tout en nécessitant des rythmes et des segmentations différents.
Pour une leçon concrète, rédigez l’introduction, les définitions, l’exemple et la transition sous forme de passages parlés complets. Repérez les termes nécessitant une prononciation cohérente et utilisez une pause naturelle après le concept central. Vérifiez une partie représentative contenant des noms, des nombres et une phrase plus longue, en contrôlant l’accent, l’intelligibilité et la régularité de l’interprétation à travers la limite de section. L’artefact utile est un enregistrement de narration cohérent pouvant être placé dans le cours, le livre audio ou la vidéo avec son script source.
POST /v1/audio/speechtextaudio| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites elevenlabs/eleven-multilingual-v2 | Par défaut— |
Champinput | Typestring | ExigenceObligatoire | Valeurs et limites Longueur minimale: 1 Longueur maximale: 10 000 Unité: caractères Unicode | Par défaut— |
Champvoice | Typestring | ExigenceObligatoire | Valeurs et limites george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will | Par défaut— |
Champresponse_format | Typestring | ExigenceObligatoire | Valeurs et limites mp3 | Par défaut— |
text_to_speech · Obligatoire : input
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input, voice, response_format |
Paramètrevoice_ids | Contratgeorge, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will |
Paramètreresponse_format | Contratmp3 |
Paramètremax_input_characters | Contrat10000 |
Paramètreother_options | Contratfalse |
Paramètreinput | Contrattexte UTF-8 exact; nombre de caractères Unicode sans normalisation |
Paramètrematerial_types | Contrattext |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effectivement renvoyé ou enregistrement de la bibliothèque multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Sélectionnez la voix exacte dans ce profil de modèle.
Les caractères d’entrée et les secondes audio sont des unités de mesure distinctes.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Unité de facturation | Coût |
|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Unité de facturation— | Coût Entrée · Jetons en entrée — / 1K jetons Sortie · Jetons en sortie — / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| Configurationcaractère en entrée | Barème tarifaire— | Unité de facturationpar caractère en entrée | Coût Entrée · caractère en entrée $0.00016 par caractère en entrée |
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
| Configuration | Conditions de facturation | Coût |
|---|---|---|
| ConfigurationElevenLabs: Eleven Multilingual v2 · Configuration par défaut | Conditions de facturationConfiguration par défaut | Coût Entrée · Caractères en entrée 0,00008 USD par caractère en entrée |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez le résultat binaire complet et les en-têtes. Si une réponse JSON ou plusieurs sorties sont renvoyées, conservez chaque élément de données et récupérez chaque ressource via son URL signée réelle.
Conservez l’operation_id/X-Client-Request-ID d’origine pour le rapprochement sans nouvelle soumission ; aucune route dédiée à l’interrogation du statut audio.
| Champ | Type |
|---|---|
Champbinary audio | Typebytes |
Champresponse headers | Typeheaders |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Réponseserver_error | ConditionLa réponse renvoyée indique que l’opération ou le résultat nécessite une vérification | Étape suivanteConservez l’identifiant d’opération/de tâche initialement renvoyé, les en-têtes de la requête et la réponse ; poursuivez les lectures prises en charge de cette opération d’origine. Ne soumettez pas à nouveau la requête de création. |
Ailoot Ultra elevenlabs/eleven-multilingual-v2
Utilisez les chemins de méthode indiqués ci-dessus.