ElevenLabs: Eleven Flash v2.5

Eleven Flash v2.5 แปลงข้อความเป็นเสียงสำหรับคำตอบเชิงโต้ตอบหลายภาษาและแอปพลิเคชันเสียง รองรับ 32 ภาษาและสูงสุด 40,000 อักขระต่อคำขอ โมเดลเน้นการตอบสนองรวดเร็ว จึงควรเตรียมตัวเลขและชื่อในรูปที่ต้องการให้อ่านออกเสียง

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech elevenlabs/eleven-flash-v2.5

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Eleven Flash v2.5 เป็นโมเดลแปลงข้อความเป็นเสียงหลายภาษาของ ElevenLabs ซึ่งออกแบบสำหรับแอปพลิเคชันแบบเรียลไทม์และเชิงโต้ตอบ โมเดลเปลี่ยนข้อความตอบกลับที่ป้อนให้เป็นเสียงพูด โดยสร้างสมดุลระหว่างการตอบสนองรวดเร็ว การถ่ายทอดที่เป็นธรรมชาติ และลักษณะเสียงที่สม่ำเสมอ ผู้ผลิตยกตัวแทนเสียง แชตบอต เกม แอปพลิเคชันที่ต้องการผลตอบกลับทันที และการแปลงข้อความเป็นเสียงในขนาดใหญ่เป็นการใช้งานหลัก

โมเดลรองรับ 32 ภาษา คือชุด 29 ภาษาของ Multilingual v2 บวกภาษาฮังการี นอร์เวย์ และเวียดนาม ชุดภาษาที่ระบุในเอกสารประกอบด้วยอังกฤษ ญี่ปุ่น จีน เยอรมัน ฮินดี ฝรั่งเศส เกาหลี โปรตุเกส อิตาลี สเปน อินโดนีเซีย ดัตช์ ตุรกี ฟิลิปิโน โปแลนด์ สวีเดน บัลแกเรีย โรมาเนีย อาหรับ เช็ก กรีก ฟินแลนด์ โครเอเชีย มลายู สโลวัก เดนมาร์ก ทมิฬ ยูเครน และรัสเซีย ซึ่งต่างจาก Flash v2 ที่ใช้ภาษาอังกฤษเท่านั้น เลือกภาษาของบทและเสียงสำเนียงท้องถิ่นที่เข้ากัน แทนการสมมติว่าสำเนียงของเสียงภาษาอังกฤษเหมาะกับทุกภาษาในการปรับเนื้อหาให้เข้ากับท้องถิ่น

คำขอหนึ่งรองรับสูงสุด 40,000 อักขระ ผู้ผลิตให้ระยะเวลาเสียงโดยประมาณไว้คู่กับตารางจำนวนอักขระ แต่ขีดจำกัดอักขระไม่ใช่ความยาวเสียงที่ตายตัว อัตราการพูด ภาษา เครื่องหมายวรรคตอน และการถ่ายทอดของเสียงทำให้ระยะเวลาเปลี่ยน สำหรับคำตอบสด ควรใช้วลีที่สมบูรณ์และสั้นกว่านั้นมาก สำหรับเสียงยาว ให้แบ่งบทตามส่วนที่มีความหมายและรักษาบริบทรอบจุดแบ่ง เพดานอักขระสูงช่วยในการเตรียมต้นฉบับ แต่ไม่ได้ทำให้คำตอบยาวต่อเนื่องฟังง่ายขึ้น

การปรับรูปแบบตัวเลขเป็นความแตกต่างสำคัญของโมเดลนี้ หัวข้อที่กล่าวถึง Flash v2.5 โดยตรงระบุว่าโปรไฟล์ความหน่วงต่ำปิดการปรับรูปแบบไว้ตามค่าเริ่มต้น และหมายเลขโทรศัพท์ วันที่ หรือรูปเขียนจำนวนเงินอาจถูกอ่านในแบบที่ไม่คาดคิด เตรียมรูปคำพูดที่ต้องการก่อนสังเคราะห์ ตัดสินใจว่าตัวเลขนั้นเป็นจำนวน รหัสอ้างอิง หรือตัวเลขที่ต้องอ่านทีละหลัก สำหรับวันที่ ให้เขียนเดือนและวันตามที่ผู้ฟังควรได้ยิน สำหรับคำย่อ ให้ใช้คำเต็มเมื่อควรอ่านเป็นคำ

สามารถชี้นำการออกเสียงด้วยการเขียนสะกดใหม่หรือชื่อแทนในพจนานุกรม คู่มือพจนานุกรมของผู้ผลิตกำหนดกฎ phoneme ไว้สำหรับโมเดล v4, v3 และ Flash v2 ที่ระบุชื่อ และแนะนำชื่อแทนสำหรับรุ่นอื่น ดังนั้นจึงไม่ควรถือว่า Flash v2.5 รองรับแท็ก phoneme ตาม Flash v2 เก็บรูปออกเสียงที่ต้องการสำหรับชื่อและคำที่ใช้ซ้ำ และตรวจด้วยเสียงที่เลือก หากใส่คำบรรยายอารมณ์เป็นคำสั่งในข้อความธรรมดา ข้อความนั้นอาจถูกอ่านออกเสียงเองได้ จึงควรเตรียมบทสุดท้ายที่สะอาดสำหรับเสียงที่ต้องการ

เวิร์กโฟลว์ TTS ร่วมรองรับเสียงแบบสตรีมและการสร้างเสียงเต็มรูปแบบ กลุ่มรูปแบบมี MP3, PCM 16 บิตแบบไม่บีบอัด, μ-law และ A-law สำหรับโทรศัพท์ รวมถึง Opus เลือกรูปแบบให้เหมาะกับปลายทางการเล่น และเก็บข้อความที่ใช้สร้างเสียงให้เข้าถึงได้คู่กับเสียง การควบคุมเสียงของ ElevenLabs มีผลต่อความสม่ำเสมอและความเร็ว ส่วนถ้อยคำกับเครื่องหมายวรรคตอนในบทเป็นตัวสร้างจังหวะตามต้องการส่วนใหญ่ สิ่งเหล่านี้เป็นตัวเลือกเวิร์กโฟลว์ของผู้ผลิต แยกจากการสมมติว่าแอปพลิเคชันหนึ่งเปิดให้ใช้ทุกตัวควบคุม คู่มือผลิตภัณฑ์ระบุชัดว่า Flash v2.5 รองรับ SSML break เช่น <break time="1.5s" /> โดยเว้นจังหวะได้สูงสุดสามวินาที การใช้แท็ก break มากเกินไปอาจกระทบความเร็วหรือทำให้เกิดเสียงผิดปกติ ตัวควบคุมความเร็วร่วมมีช่วง 0.7 ถึง 1.2 โดย 1.0 คือความเร็วเดิม

สำหรับผู้ช่วย ให้เตรียมผลลัพธ์ชัดเจนหนึ่งเรื่องและขั้นตอนถัดไปหนึ่งอย่างในประโยคสนทนา ตัวอย่างที่ใช้ได้คือยืนยันว่าการกระทำเสร็จแล้ว จากนั้นอธิบายฟิลด์เดียวที่ยังต้องการ สำหรับเกมหรือบทสอน ควรให้คำแนะนำสั้นพอที่จะเข้าใจได้ระหว่างที่ผู้ใช้กำลังทำกิจกรรมอื่น ในโครงการหลายภาษา ให้ปรับถ้อยคำจริงแทนการเปลี่ยนเฉพาะคำศัพท์ และรักษาความหมายของชื่อ การกระทำ และเงื่อนไข

ตรวจช่วงตัวอย่างที่มีส่วนยากของบท เช่น ชื่อ รหัส วันที่ หรือคำอธิบายยาว เช็กความเข้าใจง่าย สำเนียง จังหวะ และว่าตัวเลขถูกอ่านตามตั้งใจหรือไม่ เอกสารผู้ผลิตระบุว่าการสังเคราะห์ไม่ตายตัว ดังนั้นเทคเสียงที่ได้จริงอาจเปลี่ยนแม้อินพุตใกล้เคียงกัน เก็บเสียงที่เลือกและข้อความที่เตรียมสำหรับการพูดเป็นผลลัพธ์ที่ใช้ซ้ำได้ สำหรับการแจ้งเตือน คำตอบช่วยเหลือ ตัวละครโต้ตอบ หรือคำอธิบายที่บันทึกเสียงไว้

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech elevenlabs/eleven-flash-v2.5

elevenlabs/eleven-flash-v2.5

ElevenLabs /elevenlabs/eleven-flash-v2.5

เริ่มต้น

อินพุตที่รองรับ: ข้อความ
ผลลัพธ์: เสียง

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech

ขาเข้า: text
ขาออก: audio
รูปแบบเอาต์พุต: mp3

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด elevenlabs/eleven-flash-v2.5	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 ความยาวสูงสุด: 40,000 หน่วย: อักขระ Unicode	ค่าเริ่มต้น—
ฟิลด์`voice`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด mp3	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

text_to_speech · จำเป็น: input

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input, voice, response_format
พารามิเตอร์`voice_ids`	ข้อกำหนดgeorge, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will
พารามิเตอร์`response_format`	ข้อกำหนดmp3
พารามิเตอร์`max_input_characters`	ข้อกำหนด40000
พารามิเตอร์`other_options`	ข้อกำหนดfalse
พารามิเตอร์`input`	ข้อกำหนดข้อความ UTF-8 ที่ตรงตามต้นฉบับ นับอักขระ Unicode โดยไม่ปรับรูปแบบมาตรฐาน
พารามิเตอร์`material_types`	ข้อกำหนดtext

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

เลือกเสียงที่ตรงตามโปรไฟล์ของโมเดลนี้

อักขระขาเข้าและวินาทีเสียงเป็นหน่วยวัดคนละแบบ

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าอักขระขาเข้า	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการต่ออักขระอินพุต	ค่าบริการ ขาเข้า · อักขระขาเข้า $0.00008 ต่ออักขระอินพุต

รายละเอียดอัตราอ้างอิง

ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก

ElevenLabs: Eleven Flash v2.5

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าElevenLabs: Eleven Flash v2.5 · การตั้งค่าเริ่มต้น	เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น	ค่าบริการ ขาเข้า · อักขระอินพุต US$0.00004 ต่ออักขระอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การสังเคราะห์เสียงพูด

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-flash-v2.5", "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

รับและบันทึกผลลัพธ์

Ailoot Ultra · การสังเคราะห์เสียงพูด

mp3

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

การอ่านเนื้อหาแบบอื่น

คลังสื่อสถานะงานรายละเอียดไฟล์สื่อ

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

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บผลลัพธ์ไบนารีและส่วนหัวให้ครบถ้วน หากได้รับ JSON/ผลลัพธ์หลายรายการ ให้เก็บข้อมูลทุกรายการและดึงไฟล์สื่อจาก URL แบบลงนามทุกรายการที่ได้รับจริง

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`binary audio`	ประเภทbytes
ฟิลด์`response headers`	ประเภทheaders

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง	ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่
การตอบกลับ`server_error`	เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์	ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra elevenlabs/eleven-flash-v2.5

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

elevenlabs/eleven-flash-v2.5

FAQ · ElevenLabs: Eleven Flash v2.5

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-flash-v2.5: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-flash-v2.5: model, input, voice, response_format
มีข้อจำกัดใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-flash-v2.5: input.maximum_length: 40000

ElevenLabs: Eleven Flash v2.5