ElevenLabs: Eleven v3

Eleven v3 สังเคราะห์เสียงที่แสดงอารมณ์จากบท พร้อมแท็กเสียงภายในข้อความและโหมดบทสนทนาของผู้พัฒนา รองรับมากกว่า 70 ภาษาและขีดจำกัด 5,000 อักขระต่อคำขอ สำหรับการบรรยาย ฉากตัวละคร และการแสดงอื่นที่วิธีถ่ายทอดสำคัญ

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech elevenlabs/eleven-v3

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Eleven v3 เป็นโมเดลแปลงข้อความเป็นเสียงที่ถ่ายทอดอารมณ์ของ ElevenLabs สำหรับบทสนทนาสื่ออารมณ์ การพูดคุยของตัวละคร และการบรรยายหนังสือเสียง โมเดลเปลี่ยนบทเขียนเป็นเสียงพูดและใช้บริบทกำหนดช่วงอารมณ์กับวิธีถ่ายทอด ผู้พัฒนารองรับทั้งเสียงผู้พูดเดียวและเวิร์กโฟลว์บทสนทนาที่มีผู้พูดหลายคน ข้อมูลนี้กล่าวถึงรุ่นชื่อ v3 โดยแยกจาก v3 Conversational และตระกูล v4 ที่มาภายหลัง

แท็กเสียงภายในข้อความชี้นำอารมณ์ วิธีใช้เสียง และปฏิกิริยาอวัจนเสียงได้ ผู้ผลิตยกตัวอย่าง [sad], [angry], [happily], [whispers], [shouts], [laughs], [clears throat] และ [sighs] วางคำบอกใกล้คำหรือปฏิกิริยาที่ควรได้รับผล สำหรับฉากเล่าเรื่อง ให้เขียนการเปลี่ยนอารมณ์ลงในบทสนทนาจริง และใช้แท็กระบุเสียงที่ต้องการให้ชัดเจน แทนการพึ่งคำบรรยายฉากที่แยกออกไป

V3 ไม่รองรับแท็ก SSML <break> คู่มือพรอมป์ต์ใช้แท็กเสียง เครื่องหมายวรรคตอน จุดไข่ปลา และโครงสร้างข้อความกำหนดช่วงหยุดกับจังหวะ วิธีนี้ให้แนวทางการแสดง ไม่ใช่ข้อตกลงเวลาที่แน่นอน สำหรับประโยคลังเล จุดไข่ปลาและคำบอกการใช้เสียงที่เหมาะสมช่วยทำให้ความลังเลตามต้องการชัดเจน หากเสียงบันทึกต้องพอดีกับไทม์ไลน์ที่แม่นยำ ให้ใช้เทคที่เลือกและเวิร์กโฟลว์แก้ไขจัดวาง แทนการถือว่าแท็กหยุดเป็นหน่วยระยะเวลาตายตัว

การเลือกเสียงยังสำคัญ แนวทางตามเอกสารระบุว่าวิธีถ่ายทอดที่มีอยู่ในข้อมูลฝึกของเสียงแล้วทำซ้ำได้ง่ายกว่า ส่วนคำขอที่ไม่ปกติอาจเชื่อถือได้น้อยกว่า จับคู่เสียงให้เข้าตัวละครหรือผู้บรรยาย และตรวจว่าแท็กที่เลือกสร้างวิธีถ่ายทอดตามตั้งใจหรือไม่ หัวข้อพรอมป์ต์ v3 ปัจจุบันระบุว่า Professional Voice Clones ยังไม่ได้ปรับให้เหมาะกับรุ่นนี้อย่างเต็มที่ การปรับปรุงโคลนและตัวควบคุมการออกเสียงโดยตรงของ v4 เป็นคุณสมบัติของอีกเวอร์ชัน คู่มือผลิตภัณฑ์ยังระบุว่า Speed, Similarity และ Speaker Boost ใช้ไม่ได้กับ v3 ทั่วไป เตรียมจังหวะและวิธีถ่ายทอดด้วยเสียง แท็ก วรรคตอน และโครงสร้างข้อความ แทนการนำตัวเลื่อนจากรุ่นอื่นมาใช้

Eleven v3 รองรับมากกว่า 70 ภาษา รวมอังกฤษ ฝรั่งเศส เยอรมัน ญี่ปุ่น เกาหลี สเปน โปรตุเกส และรัสเซีย เลือกเสียงให้เหมาะกับภาษาและสำเนียงภูมิภาค และเตรียมถ้อยคำจริงที่จะพูดก่อนสังเคราะห์ การรองรับภาษาไม่ได้แปลบทอัตโนมัติ สำหรับฉากตัวละครที่ปรับให้เข้าท้องถิ่น ให้รักษาเจตนาและปฏิกิริยาของผู้พูด พร้อมปรับถ้อยคำให้เป็นธรรมชาติสำหรับผู้ฟัง

คำขอแปลงข้อความเป็นเสียงรองรับสูงสุด 5,000 อักขระ แบ่งบทยาวตรงขอบเขตฉากหรือช่วงบรรยายที่สมบูรณ์ เพื่อให้แต่ละเซกเมนต์มีต้นและท้ายชัดเจน ผู้พัฒนามีโหมดสร้างและสตรีมสำหรับเสียงพูด รวมถึงโหมดสร้างและสตรีมสำหรับบทสนทนา สำหรับบทสนทนา ให้เชื่อมแต่ละรอบกับผู้พูดที่ตั้งใจและรักษาลำดับ เก็บข้อความรอบการเปลี่ยนอารมณ์ให้เพียงพอเพื่อให้เข้าใจการเปลี่ยนช่วง

เวิร์กโฟลว์เสียงร่วมของผู้พัฒนาให้ MP3, PCM และการเข้ารหัสโทรศัพท์ เช่น μ-law พร้อมรูปแบบเพิ่มเติมที่ระบุในคู่มือ TTS พจนานุกรมการออกเสียงช่วยให้ชื่อและศัพท์เทคนิคสม่ำเสมอ คู่มือพจนานุกรมระบุ v3 สำหรับกฎ phoneme อย่างชัดเจน และจำกัดส่วนขยายสัทศาสตร์หลายภาษาไว้ที่ v4 สิ่งนั้นไม่ได้ทำให้ไวยากรณ์ IPA แบบครอบด้วยเครื่องหมายทับที่ v4 รองรับโดยตรงกลายเป็นคุณสมบัติ v3 เตรียมการสะกดสำคัญหรือชื่อแทนสำหรับพูด แล้วตรวจผลด้วยเสียงที่เลือก

สำหรับข้อกำหนดการแสดงที่ใช้งานได้ ให้ตอนที่เขียนเสร็จแล้วแทนโครงเรื่อง ได้แก่ บทนำของผู้บรรยาย ประโยคจริงของตัวละคร และปฏิกิริยาปิดฉาก ระบุว่าเนื้อหาไหนต้องพูด ปฏิกิริยาทางเสียงควรอยู่ตรงไหน และแต่ละจังหวะมีทิศทางอารมณ์อย่างไร ตรวจการออกเสียง ตัวตนเสียง การอ่านคำสั่งโดยไม่ตั้งใจ และการเปลี่ยนผู้พูด ผลคือเสียงบันทึกที่ถ่ายทอดบทที่ป้อนอย่างมีอารมณ์ พร้อมเทคที่เลือกซึ่งใช้ซ้ำหรือแก้ในโครงการเสียงได้

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech elevenlabs/eleven-v3

elevenlabs/eleven-v3

ElevenLabs /elevenlabs/eleven-v3

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-v3	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 ความยาวสูงสุด: 5,000 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`	ข้อกำหนด5000
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 v3

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าElevenLabs: Eleven v3 · 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-v3", "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-v3

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

elevenlabs/eleven-v3

FAQ · ElevenLabs: Eleven v3

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-v3: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-v3: model, input, voice, response_format
มีข้อจำกัดใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-v3: input.maximum_length: 5000

ElevenLabs: Eleven v3