ElevenLabs: Eleven Multilingual v2

Eleven Multilingual v2 สร้างเสียงพูดที่เป็นธรรมชาติและสม่ำเสมอจากข้อความใน 29 ภาษา ElevenLabs วางตำแหน่งโมเดลนี้สำหรับการบรรยายยาว หลักสูตร หนังสือเสียง และเนื้อหาหลายภาษา โดยจำกัดคำขอที่ 10,000 อักขระ และใช้เสียงที่เลือกควบคุมสำเนียงกับการถ่ายทอด

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Eleven Multilingual v2 เป็นโมเดลแปลงข้อความเป็นเสียงของ ElevenLabs สำหรับการบรรยายที่เป็นธรรมชาติ สื่ออารมณ์ และสม่ำเสมอ โมเดลรับบทที่เขียนไว้และคืนเสียงพูด โดยเสียงที่เลือกเป็นตัวกำหนดลักษณะเฉพาะและสำเนียงส่วนใหญ่ ผู้ผลิตเน้นความเสถียรเมื่อสร้างเสียงยาว เนื้อหาระดับมืออาชีพ การพากย์ตัวละคร อีเลิร์นนิง และโครงการหลายภาษา นี่คือโมเดลสังเคราะห์เสียง แยกจากตัวเปลี่ยนเสียง Multilingual Speech to Speech ที่มีชื่อคล้ายกัน

ชุดภาษาที่ระบุในเอกสารมี 29 ภาษา ได้แก่ อังกฤษ 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 เตรียมบทจริงในภาษาที่รองรับก่อนสังเคราะห์ แทนการคาดหวังให้โมเดลเสียงแปลข้อความให้

โมเดลออกแบบมาเพื่อรักษาลักษณะและบุคลิกของผู้พูดที่เลือกในภาษาที่รองรับ แต่สำเนียงยังขึ้นอยู่กับเสียงอย่างมาก ElevenLabs แนะนำเสียงที่ฝึกด้วยภาษาเป้าหมายและสำเนียงท้องถิ่น เพราะเสียงที่ไม่ใช่เจ้าของภาษาอาจคงสำเนียงเดิมหรือมีสำเนียงที่เปลี่ยนไป สำหรับหลักสูตรที่ปรับให้เข้ากับท้องถิ่น ให้รักษาบทบาทผู้บรรยายและโทนโดยรวม พร้อมปรับโครงสร้างประโยค คำศัพท์ และการออกเสียงให้เหมาะกับผู้ฟัง การใช้ตัวตนเสียงเดียวกันไม่ได้ทำให้ไม่ต้องตรวจการถ่ายทอดในภาษาเป้าหมาย

ขีดจำกัดคำขอคือ 10,000 อักขระ เนื้อหาที่ยาวกว่านั้นสามารถแบ่งเป็นบทหรือส่วนที่ต่อเนื่องกันได้ เวิร์กโฟลว์ TTS ที่ใช้ร่วมกันของผู้ผลิตอธิบายการใช้ข้อความก่อนหน้าและถัดไป หรือบริบทของคำขอข้างเคียง เพื่อรักษาทำนองเสียงระหว่างช่วง ควรแบ่งตรงขอบเขตประโยคที่มีความหมายและส่งบริบทโดยรอบให้เพียงพอสำหรับต้นและท้ายย่อหน้า จำนวนนาทีโดยประมาณต่อคำขอที่ผู้ผลิตให้ไว้ไม่ใช่คำรับรองระยะเวลาตายตัว เพราะคำ ภาษา และจังหวะเป็นตัวกำหนดความยาวของเสียงที่เลือก

วิธีถ่ายทอดขึ้นกับความหมายของข้อความ บริบทเรื่องเล่า เครื่องหมายวรรคตอน และเสียงที่เลือก Stability ควบคุมความแปรผันกับช่วงอารมณ์ ส่วน similarity ควบคุมความคล้ายคลึงของผลลัพธ์กับเสียง คู่มือผลิตภัณฑ์ร่วมระบุช่วงความเร็ว 0.7 ถึง 1.2 โดย 1.0 คือความเร็วเดิม ค่า stability สูงอาจฟังสุขุมหรือราบเรียบ ส่วนค่าที่ต่ำเกินไปอาจทำให้การถ่ายทอดไม่แน่นอน ข้อความอธิบายวิธีพูดอาจถูกอ่านออกเสียงเองได้ จึงควรเตรียมบทสุดท้ายแทนการแทรกคำสั่งที่ไม่ต้องการให้ผู้ฟังได้ยิน

เวิร์กโฟลว์หยุดเว้นจังหวะของโมเดลนี้รองรับแท็ก SSML break ต่างจาก v3 และ v4 ผู้ผลิตยก <break time="1.5s" /> เป็นวิธีขอให้หยุดอย่างเป็นธรรมชาติ และระบุช่วงหยุดได้สูงสุดสามวินาที การใช้แท็ก break มากเกินไปอาจทำให้ความเร็วเปลี่ยนหรือเกิดเสียงผิดปกติ และเสียงที่เลือกก็มีผลต่อลักษณะของช่วงหยุด ใช้ break ตรงการเปลี่ยนส่วนที่มีความหมาย เช่น หลังคำนิยามหรือก่อนคำแนะนำส่วนถัดไป

Multilingual v2 ไม่รองรับแท็ก phoneme ตามคู่มือการออกเสียงของผู้ผลิต ใช้ชื่อแทนในพจนานุกรมหรือการสะกดทางเลือกที่เตรียมไว้เพื่อบอกรูปเสียงที่ต้องการของชื่อ คำย่อ หรือศัพท์เทคนิค ElevenLabs ยังอธิบายว่าโมเดลนี้จัดการตัวเลขได้เป็นธรรมชาติกว่า Flash v2.5 แต่แนวทางเตรียมข้อความยังแนะนำให้เขียนตัวเลขสำคัญ วันที่ และสัญลักษณ์เป็นคำที่ควรอ่าน รหัสอ้างอิงกับจำนวนต้องอ่านต่างกัน แม้ตัวเลขที่เขียนจะดูคล้ายกัน

กลุ่มรูปแบบเสียงของผู้ผลิตมี MP3 สำหรับเผยแพร่, PCM 16 บิตแบบไม่บีบอัดสำหรับงานผลิต, μ-law และ A-law สำหรับโทรศัพท์ รวมถึง Opus การสร้างเสียงเต็มรูปแบบและสตรีมมิงมีอธิบายในเวิร์กโฟลว์ TTS ร่วม เลือกเอาต์พุตให้เหมาะกับปลายทาง และเก็บบท เสียงผู้พูด และเสียงบันทึกที่เลือกไว้ด้วยกัน บทหนึ่งของหนังสือเสียง การบรรยายสำหรับองค์กร และบทเรียนสั้น ๆ ใช้จุดประสงค์ของโมเดลเดียวกันได้ แต่ต้องการจังหวะและการแบ่งช่วงต่างกัน

สำหรับบทเรียนที่ใช้งานได้จริง ให้เขียนบทนำ คำนิยาม ตัวอย่าง และข้อความเชื่อมเป็นช่วงคำพูดที่สมบูรณ์ ทำเครื่องหมายคำที่ต้องออกเสียงสม่ำเสมอ และเว้นจังหวะอย่างเป็นธรรมชาติหลังแนวคิดหลัก ตรวจช่วงตัวอย่างที่มีชื่อ ตัวเลข และประโยคยาว โดยเช็กสำเนียง ความเข้าใจง่าย และความสม่ำเสมอของการถ่ายทอดข้ามขอบเขตส่วน ผลลัพธ์ที่มีประโยชน์คือเสียงบรรยายที่สม่ำเสมอ ซึ่งนำไปใส่ในหลักสูตร หนังสือเสียง หรือวิดีโอร่วมกับบทต้นฉบับได้

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

elevenlabs/eleven-multilingual-v2

ElevenLabs /elevenlabs/eleven-multilingual-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-multilingual-v2	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 ความยาวสูงสุด: 10,000 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`	ข้อกำหนด10000
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 $0.00016 ต่ออักขระอินพุต

รายละเอียดอัตราอ้างอิง

ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก

ElevenLabs: Eleven Multilingual v2

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าElevenLabs: Eleven Multilingual v2 · การตั้งค่าเริ่มต้น	เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น	ค่าบริการ ขาเข้า · อักขระอินพุต US$0.00008 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-multilingual-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-multilingual-v2

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

elevenlabs/eleven-multilingual-v2

FAQ · ElevenLabs: Eleven Multilingual v2

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-multilingual-v2: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-multilingual-v2: model, input, voice, response_format
มีข้อจำกัดใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-multilingual-v2: input.maximum_length: 10000

ElevenLabs: Eleven Multilingual v2