ElevenLabs: Eleven Flash v2

Eleven Flash v2 เป็นโมเดลแปลงข้อความเป็นเสียงภาษาอังกฤษเท่านั้นของ ElevenLabs สำหรับการโต้ตอบด้วยเสียงที่ตอบสนองรวดเร็ว โมเดลเปลี่ยนข้อความที่เตรียมไว้เป็นเสียงพูด โดยมีขีดจำกัด 30,000 อักขระต่อคำขอ พร้อมการควบคุมช่วงหยุดและการออกเสียงแต่ละคำตามเอกสาร

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Eleven Flash v2 เป็นโมเดลสังเคราะห์เสียงภาษาอังกฤษเท่านั้นของ ElevenLabs สำหรับแอปพลิเคชันเสียงที่ต้องการการตอบสนองรวดเร็ว โมเดลรับคำพูดที่เขียนไว้และสร้างเสียงตามเสียงผู้พูดที่เลือก ผู้ผลิตวางตำแหน่ง Flash สำหรับการสนทนาเรียลไทม์และประสบการณ์เชิงโต้ตอบ เช่น คำยืนยันจากผู้ช่วย คำแนะนำแบบเสียง และคำตอบในเกม รุ่นที่ระบุชื่อนี้แยกจาก Flash v2.5 แบบหลายภาษา รวมถึงตระกูล v3 และ v4 ที่เน้นการถ่ายทอดอารมณ์

ขอบเขตภาษาของ Flash v2 คือภาษาอังกฤษ เสียงที่เลือกอาจให้สำเนียงท้องถิ่นและโทนเฉพาะ แต่ไม่ได้ทำให้รุ่นนี้เป็นโมเดลหลายภาษา เลือกเสียงให้ตรงกับผู้ฟังเป้าหมายและจุดประสงค์ของประโยค คำยืนยันจากผู้ช่วย ผู้บรรยายคำแนะนำ และตัวละครโต้ตอบอาจต้องใช้จังหวะต่างกัน แม้เนื้อหาข้อเท็จจริงจะเหมือนกัน เตรียมคำภาษาอังกฤษจริงที่ควรอ่านก่อนสังเคราะห์

คำขอรองรับสูงสุด 30,000 อักขระ ความยาวเสียงโดยประมาณที่ผู้ผลิตให้ไว้คู่กับขีดจำกัดนี้ไม่ใช่ระยะเวลาตายตัว สำหรับคำตอบโต้ตอบ ให้คงใจความหลักหนึ่งเรื่องและจบอย่างชัดเจน สำหรับเสียงยาว ให้แบ่งข้อความที่เกี่ยวข้องกันตรงขอบเขตประโยคหรือส่วน เวิร์กโฟลว์ TTS ร่วมอธิบายการใช้ข้อความข้างเคียงหรือบริบทของคำขอเพื่อรักษาทำนองเสียงระหว่างการสร้างที่ต่อเนื่องกัน ดังนั้นการแบ่งช่วงจึงไม่จำเป็นต้องตัดความเชื่อมโยงระหว่างย่อหน้าที่ตามกัน

เวิร์กโฟลว์หยุดเว้นจังหวะของ Flash v2 ใช้แท็ก SSML break คู่มือผลิตภัณฑ์ให้ <break time="1.5s" /> เป็นวิธีขอช่วงหยุดที่เป็นธรรมชาติ และระบุได้สูงสุดสามวินาที เสียงที่เลือกมีผลต่อการถ่ายทอดรอบช่วงหยุด และแท็กที่มากเกินไปอาจทำให้ความเร็วเปลี่ยน เกิดเสียงรบกวน หรือความผิดปกติของเสียง ใช้ break ตรงจุดที่ผู้ฟังต้องการการเปลี่ยนช่วง ไม่ใช่ระหว่างทุกคำ เครื่องหมายวรรคตอนและจุดไข่ปลาก็มีผลต่อจังหวะได้ แต่สม่ำเสมอน้อยกว่าและอาจทำให้ฟังเหมือนลังเล

แต่ละคำใช้สัญกรณ์ SSML phoneme แบบ IPA หรือ CMU Arpabet ได้ ผู้ผลิตแนะนำ CMU Arpabet เพื่อให้การออกเสียงใน v2 คาดเดาได้มากขึ้น และระบุว่าชื่อที่มีหลายคำควรใช้กฎ phoneme แยกทีละคำ พจนานุกรมการออกเสียงเก็บ phoneme หรือชื่อแทนที่ต้องการสำหรับคำที่เกิดซ้ำได้ โดยการจับคู่แยกตัวพิมพ์ใหญ่และเล็ก สิ่งนี้ต่างจากไวยากรณ์ IPA แบบครอบด้วยเครื่องหมายทับที่ v4 รองรับโดยตรง และต่างจากขอบเขตการออกเสียงของ Flash v2.5

เตรียมรหัสอ้างอิง วันที่ และคำย่อในรูปที่ต้องการให้พูด ตัวเลขชุดเดียวกันอาจเป็นจำนวนหรือรหัส จึงควรกำหนดว่าผู้ฟังต้องได้ยินจำนวนเต็มหรือเลขแยกทีละหลัก เขียนเดือนและวันที่โดยไม่กำกวม และขยายคำย่อที่ควรอ่านเป็นคำ คำแนะนำเชิงอธิบายทั่วไปที่ใส่ในข้อความอาจถูกอ่านออกเสียงเองได้ แท็กเสียงเชิงอารมณ์ของ v3 และ v4 ไม่ใช่รูปแบบการควบคุมที่อธิบายไว้สำหรับรุ่นนี้

กลุ่มรูปแบบของผู้ผลิตมี MP3, PCM 16 บิตแบบไม่บีบอัด, μ-law และ A-law สำหรับโทรศัพท์ รวมถึง Opus เวิร์กโฟลว์ร่วมส่งไฟล์เสียงที่สมบูรณ์หรือทยอยคืนเสียงได้ การตั้งค่าเสียงมีผลต่อความเสถียร ความคล้ายคลึง และจังหวะ โดยมีช่วงความเร็วตามเอกสาร 0.7 ถึง 1.2 และ 1.0 หมายถึงความเร็วเดิม การตั้งค่าเหล่านี้ชี้นำการถ่ายทอด แต่ไม่รับประกันว่าเทคเสียงจะเหมือนเดิมหรือมีความยาวสุดท้ายที่แน่นอน

สำหรับข้อความช่วยเหลือภาษาอังกฤษที่ใช้ได้จริง ให้บอกผลลัพธ์ก่อน แล้วตามด้วยขั้นตอนถัดไปหนึ่งอย่าง เช่น ยืนยันว่าบันทึกตัวเลือกแล้ว อ่านชื่อฟิลด์ที่เกี่ยวข้องอย่างชัดเจน และอธิบายสิ่งที่ผู้ใช้ทำต่อได้ สำหรับบทสอน ให้เขียนคำแนะนำที่สมบูรณ์และเว้นจังหวะก่อนการกระทำถัดไป ตรวจชื่อที่อ่านยาก ตัวเลข และจุดเปลี่ยนช่วงในเสียงที่เลือก เก็บเทคเสียงนั้นไว้พร้อมบทและข้อมูลเตรียมการออกเสียง เพื่อใช้ซ้ำเป็นคำบอกใบ้แบบเสียง การแจ้งเตือน หรือคำตอบของผู้ช่วย

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

elevenlabs/eleven-flash-v2

ElevenLabs /elevenlabs/eleven-flash-v2

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	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 ความยาวสูงสุด: 30,000 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`	ข้อกำหนด30000
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

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าElevenLabs: Eleven Flash v2 · 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", "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

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

elevenlabs/eleven-flash-v2

FAQ · ElevenLabs: Eleven Flash v2

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-flash-v2: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-flash-v2: model, input, voice, response_format
มีข้อจำกัดใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-flash-v2: input.maximum_length: 30000

ElevenLabs: Eleven Flash v2