ElevenLabs: Eleven v3 Conversational

Eleven v3 Conversational to ekspresyjny model mowy ElevenLabs do dialogu na żywo. Zamienia przygotowany tekst na audio z kontekstową realizacją i znacznikami audio, obsługując ponad 70 języków w strumieniowym procesie producenta odrębnym od zwykłej narracji v3.

Ailoot Ultra · Synteza mowy POST /v1/audio/speech elevenlabs/eleven-v3-conversational

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

Eleven v3 Conversational to wersja syntezy mowy ElevenLabs do dialogów w czasie rzeczywistym. Przyjmuje tekst przygotowanej odpowiedzi i zwraca audio z mową o zakresie emocjonalnym i kontekstowej realizacji rodziny v3. Producent wskazuje ją odrębnie od zwykłego Eleven v3 i umieszcza w strumieniowym procesie Text to Dialogue. Jej użyteczną rolą jest głos asystenta lub interaktywnej postaci, której następna wypowiedź zależy od wcześniejszej rozmowy.

Model obsługuje ponad 70 języków, w tym angielski, francuski, niemiecki, japoński, koreański, hiszpański, portugalski i rosyjski. Wybierz język pisemnej odpowiedzi i głos z odpowiednim akcentem. Wielojęzyczny scenariusz wsparcia dostosuj do naturalnego języka mówionego przed wysłaniem do syntezy. Model wypowiada dostarczoną treść; rozumowanie określające odpowiedź i interpretacja wejścia z mikrofonu użytkownika są oddzielnymi etapami aplikacji.

Znaczniki audio zapewniają szczegółową kontrolę emocji i sposobu wypowiedzi. Uspokajająca odpowiedź, zaciekawione pytanie i dramatyczna reakcja postaci wymagają różnych wykonań nawet przy krótkich słowach. Trzymaj wskazówkę blisko wypowiedzi, na którą wpływa, i zachowuj wystarczający kontekst wyjaśniający zmianę emocji. Przykładowy brief może brzmieć: „Potwierdź poprawkę ciepło, a następnie wyjaśnij kolejny krok równym, uważnym głosem”. Odpowiedź powinna pozostawać zrozumiała bez polegania na wskazówce jako źródle brakujących informacji.

W udokumentowanym procesie dialogowym WebSocket aplikacja wysyła tekst i otrzymuje fragmenty audio zakodowane w Base64, a połączenie pozostaje otwarte między wypowiedziami. Producent buforuje wystarczająco dużo tekstu dla spójnego segmentu mowy; bardzo krótkie fragmenty mogą czekać na więcej kontekstu lub celowe opróżnienie bufora. Granice tur mogą resetować prozodię, a zmiana mówcy oznacza nową turę. Cechy te wskazują, jak przygotowywać pełne frazy, a nie pojedyncze słowa, do odpowiedzi interaktywnej.

Wspólny przewodnik dialogowy dokumentuje opcjonalne informacje o wyrównaniu czasowym we fragmentach audio, gdy są żądane i dostępne. Wyrównanie pomaga powiązać mowę z tekstem, lecz nie obiecuje stałej długości określonej wypowiedzi. Wybierz format wyjściowy producenta do odtwarzania lub zapisu pliku; wspólna rodzina formatów TTS obejmuje MP3 i PCM, z kodowaniami telefonicznymi dostępnymi we właściwym procesie. Połączenie dialogowe i pełne żądanie wcześniej nagranej mowy są różnymi trybami, więc ich przygotowanie i założenia czasowe powinny pozostawać odrębne.

Dla wymowy rozwiń niejednoznaczne skróty i zapisz liczby w zamierzonej formie mówionej, gdy ich znaczenie byłoby inaczej niejasne. Zachowuj spójne nazwy i powracającą terminologię. Nie przenoś natywnej składni IPA v4 ani pułapu żądania zwykłego v3 tylko dlatego, że nazwa rodziny jest podobna. Dobierz głos do roli konwersacyjnej, a następnie oceń reprezentatywną wypowiedź pod kątem jasności i dopasowania emocji przed kontynuacją scenariusza.

W praktycznej odpowiedzi asystenta użyj jednej głównej myśli, jasnego wyniku i naturalnego zakończenia pozwalającego użytkownikowi odpowiedzieć. Na przykład: „Potwierdź nowy adres dostawy, wyraźnie powtórz nazwę ulicy i zapytaj, czy użytkownik chce zmienić zapisany adres”. W przypadku postaci zachowaj ustaloną osobowość, dopasowując reakcję do bieżącej sceny. Dziel długie objaśnienia na znaczących granicach zdań i zachowuj wcześniejszy kontekst rozmowy. Rezultatem jest audio z mową dla dostarczonej odpowiedzi, a nie transkrypcja rozmówcy lub samodzielnie wygenerowana decyzja.

Ailoot Ultra · Synteza mowy POST /v1/audio/speech elevenlabs/eleven-v3-conversational

elevenlabs/eleven-v3-conversational

ElevenLabs /elevenlabs/eleven-v3-conversational

Start

Akceptowane dane wejściowe: Tekst
Wyniki: Audio

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · Synteza mowy POST /v1/audio/speech

Wejście: text
Wyjście: audio
Format wyjściowy: mp3

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity elevenlabs/eleven-v3-conversational	Domyślnie—
Pole`input`	Typ`string`	WymaganieWymagane	Wartości i limity Minimalna długość: 1 Maksymalna długość: 5000 Jednostka: znaki Unicode	Domyślnie—
Pole`voice`	Typ`string`	WymaganieWymagane	Wartości i limity george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will	Domyślnie—
Pole`response_format`	Typ`string`	WymaganieWymagane	Wartości i limity mp3	Domyślnie—

Kombinacje materiałów wejściowych

text_to_speech · Wymagane: input

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input, voice, response_format
Parametr`voice_ids`	Kontraktgeorge, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will
Parametr`response_format`	Kontraktmp3
Parametr`max_input_characters`	Kontrakt5000
Parametr`other_options`	Kontraktfalse
Parametr`input`	Kontraktdokładny tekst UTF-8; liczba znaków Unicode bez normalizacji
Parametr`material_types`	Kontrakttext

Cykl życia: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Wybierz dokładny głos z profilu tego modelu.

Znaki wejściowe i sekundy dźwięku to różne jednostki pomiaru.

Cennik

Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.

Tryb szybki: Nie określono Gdy wybrany jest tryb szybki
Tryb flex: Nie określono Gdy wybrany jest tryb flex
Maksymalna intensywność rozumowania: Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)

Stawki Ailoot

Ceny według konfiguracji

Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.

Konfiguracja	Tabela stawek	Jednostka rozliczeniowa	Opłata
KonfiguracjaBazowe stawki za tokeny	Tabela stawekStawka podstawowa	Jednostka rozliczeniowa—	Opłata Wejście · Tokeny wejściowe — / 1K tokenów Wyjście · Tokeny wyjściowe — / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów
Konfiguracjaznak wejściowy	Tabela stawek—	Jednostka rozliczeniowaza znak wejściowy	Opłata Wejście · znak wejściowy $0.00008 za znak wejściowy

Szczegóły taryfy referencyjnej

Referencyjne tabele modelu nie zmieniają wyboru metody, wyceny ani opłat. Naliczane opłaty korzystają ze stawek wybranej metody Ailoot.

ElevenLabs: Eleven v3 Conversational

Ceny według konfiguracji

Konfiguracja	Warunki rozliczania	Opłata
KonfiguracjaElevenLabs: Eleven v3 Conversational · Domyślna konfiguracja	Warunki rozliczaniaKonfiguracja domyślna	Opłata Wejście · Znaki wejściowe 0,00004 USD za znak wejściowy

Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →

Przykładowe żądania

Ailoot Ultra · Synteza mowy

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "elevenlabs/eleven-v3-conversational", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["george", "sarah", "adam", "alice", "bella", "bill", "brian", "callum", "charlie", "chris", "daniel", "eric", "harry", "jessica", "laura", "liam", "lily", "matilda", "river", "roger", "will"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o speech.mp3

Odbieranie i zapisywanie wyników

Ailoot Ultra · Synteza mowy

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Inne odczyty treści

Biblioteka multimediówStatus zadaniaSzczegóły pliku

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Zachowaj pełny wynik binarny i nagłówki. Jeśli zwrócono JSON lub wiele wyników, zachowaj każdy element danych i pobierz zasób spod każdego rzeczywiście zwróconego podpisanego adresu URL.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.

Pola odpowiedzi

Pole	Typ
Pole`binary audio`	Typbytes
Pole`response headers`	Typheaders

Błędy i dalsze kroki

Odpowiedź	Warunek	Następny krok
Odpowiedź400 · `invalid_request_error`	WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru	Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia.
Odpowiedź`server_error`	WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia	Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia.

Aliasy

Aliasy modelu

Ailoot Ultra elevenlabs/eleven-v3-conversational

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

elevenlabs/eleven-v3-conversational

FAQ · ElevenLabs: Eleven v3 Conversational

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/audio/speech · elevenlabs/eleven-v3-conversational: text → audio
Jakich pól używa żądanie?: POST /v1/audio/speech · elevenlabs/eleven-v3-conversational: model, input, voice, response_format
Jakie limity obowiązują?: POST /v1/audio/speech · elevenlabs/eleven-v3-conversational: input.maximum_length: 5000

ElevenLabs: Eleven v3 Conversational