ElevenLabs: Eleven v4

Eleven v4 เปลี่ยนบทเป็นเสียงพูดที่ถ่ายทอดอารมณ์ ด้วยวิธีพูดตามบริบท คำสั่งเสียงภายในข้อความ และเหตุการณ์เสียง ElevenLabs ออกแบบสำหรับงานบรรยายที่ผลิตขึ้น บทสนทนาตัวละคร และเสียงหลายภาษา โดยจำกัด 10,000 อักขระต่อการสร้างหนึ่งครั้ง

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech elevenlabs/eleven-v4

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Eleven v4 คือโมเดลแปลงข้อความเป็นเสียงพูดที่สื่ออารมณ์ของ ElevenLabs สำหรับงานผลิตเนื้อหา การบรรยาย และการแสดงของตัวละคร สถาปัตยกรรมใหม่ใช้บริบทของบทเพื่อกำหนดว่าใครพูด เกิดอะไรขึ้น และประโยคถัดไปควรฟังเป็นอย่างไร ข้อมูลเข้าคือบทเขียนที่จับคู่กับเสียงที่เลือก ผลลัพธ์คือเสียง ผู้ผลิตเน้นบทสนทนาที่มีอารมณ์ การผลิตหนังสือเสียง แอนิเมชันและเกม และโครงการหลายภาษาเป็นการใช้งานเด่น

เขียนคำกำกับลงในบทด้วยแท็กเสียงในข้อความได้ แท็กเช่น [laughs], [whispers] และ [door slams] อธิบายวิธีออกเสียง เหตุการณ์ที่ไม่ใช่คำพูด หรือเสียงในฉาก การอัปเดต v4 ที่ระบุในเอกสารทำตามลำดับคำกำกับเหล่านี้ได้ดีขึ้นกว่า v3 สำหรับช่วงดราม่าสั้น ให้เขียนคำพูดจริงและวางคำกำกับการถ่ายทอดตรงจุดที่สำคัญ แทนการต่อรายการอารมณ์ที่ไม่เกี่ยวข้องไว้ท้ายบท

การหยุดและเน้นเสียงใช้คำกำกับเสียงด้วยภาษาธรรมชาติ ElevenLabs ระบุ [pause] และ [long pause] สำหรับการหยุด และคำกำกับเช่น [excited] หรือ [sighs] สำหรับการถ่ายทอด v4 ปิดใช้แท็ก SSML <break> จึงต้องปรับบทเก่าที่ใช้แท็กเหล่านี้เป็นรูปแบบกำกับของ v4 แท็กบอกการแสดงที่ตั้งใจ ไม่ได้กำหนดจำนวนมิลลิวินาทีที่แน่นอนด้วยตัวมันเองหรือรับประกันระยะเวลาสุดท้ายตายตัว

ขั้นตอนบทสนทนาของผู้พัฒนารองรับผู้พูดหลายคน ทำให้ฉากมีเสียงคนละแบบและเหตุการณ์เสียงได้ โปรไฟล์บทสนทนา WebSocket ของ v4 รองรับเสียงที่ลงทะเบียนได้ถึงสิบเสียง ส่วนโปรไฟล์ v4 Turbo ใช้หนึ่งเสียง เตรียมลำดับผลัดพูดให้ชัดและผูกแต่ละประโยคกับเสียงที่ต้องการ ตัวอย่างการโต้ตอบอาจเริ่มด้วยคำถามเบา ๆ อย่างไม่แน่ใจ ไปสู่คำตอบที่มั่นใจ แล้วตามด้วยปฏิกิริยาโล่งใจ เนื้อหาและการเปลี่ยนอารมณ์ควรเข้าใจได้จากบทเอง สำหรับผู้บรรยายคนเดียว ให้ใช้ความชัดเจนเดียวกันแยกการเล่าออกจากคำพูดที่ยกมาและการเปลี่ยนอารมณ์

Eleven v4 รองรับมากกว่า 90 ภาษา รวมอังกฤษ ฝรั่งเศส เยอรมัน ญี่ปุ่น สเปน โปรตุเกส และรัสเซีย ผู้ผลิตอธิบายคุณภาพเสียงที่สม่ำเสมอเมื่อเปลี่ยนภาษา เลือกเสียงและการออกเสียงที่เหมาะกับภาษาและภูมิภาคเป้าหมายของการบันทึก ทั้งภาษาของบทและบุคลิกเสียงมีความสำคัญ สำหรับบทเรียนที่ปรับเป็นภาษาท้องถิ่น ให้แปลถ้อยคำที่จะพูดก่อน แล้วรักษาความหมาย คำศัพท์ และคำกำกับการถ่ายทอดในบทใหม่

การสร้างหนึ่งครั้งรองรับได้ถึง 10,000 อักขระ งานยาวเตรียมเป็นการสร้างหลายครั้งต่อเนื่อง โดยใช้การเชื่อมบริบทเพื่อให้จังหวะและการถ่ายทอดสม่ำเสมอระหว่างช่วง แบ่งบทที่ขอบเขตประโยคหรือฉากอย่างเป็นธรรมชาติและเก็บบริบทรอบข้าง ผู้ผลิตยังอธิบายว่าตัวตนผู้พูดคงที่เมื่อสร้างประโยคหนึ่งใหม่ จึงเหมาะกับการแก้ข้อความส่วนเดียวพร้อมคงนักแสดงชุดเดิมและสไตล์การแสดงในเนื้อหารอบ ๆ

v4 รองรับ Instant และ Professional Voice Clones ในขั้นตอนของผู้พัฒนา ElevenLabs โดย ElevenLabs เน้นการกลับมาของคุณสมบัติเหล่านี้ใน v4 ส่วนคู่มือพรอมป์ต์ v3 ระบุว่า Professional Voice Clones ยังไม่ได้ปรับเต็มที่สำหรับ v3 Instant หรือ Professional Voice Clones ที่สร้างก่อนเปิดตัว v4 ต้องฝึกใหม่สำหรับ v4 เพื่อให้ทำงานกับโมเดลได้อย่างมีประสิทธิภาพ การโคลนเสียงสร้างหรือเตรียมเสียงที่ใช้สังเคราะห์ แยกจากการแปลงบทที่ให้เป็นคำพูด ตัวตนโมเดลไม่ได้กำหนดเสียงเริ่มต้นเสียงเดียว จึงควรเลือกเสียงตามผู้บรรยายหรือตัวละคร แทนการสมมติว่าชื่อโมเดลเป็นตัวกำหนดผู้พูด

ผู้ผลิตระบุ MP3 สำหรับการฟังทั่วไปและส่งสื่อ WAV หรือ PCM สำหรับเสียงผลิตงานแบบไม่บีบอัด และ μ-law สำหรับโทรศัพท์ API ควบคุมอัตราสุ่มตัวอย่างและบิตเรตของรูปแบบที่เลือก พจนานุกรมการออกเสียงกำหนดวิธีอ่านชื่อ คำย่อ และศัพท์เทคนิคได้ v4 ยังรู้จักการถอดเสียง IPA มาตรฐานที่คร่อมด้วยเครื่องหมายทับ เช่น /IPA_transcription/ รวมเครื่องหมายเน้นพยางค์สำหรับคำหลายพยางค์ แต่การออกเสียงยังอาจต่างตามเสียงและวลี เตรียมคำศัพท์ที่จำเป็นก่อนผลิต และคงรูปการอ่านที่ต้องการให้สม่ำเสมอเมื่อแก้ไข โปรไฟล์ผู้พัฒนา v4 ใช้การตั้งค่าเสียง Stability และ Similarity โดยไม่มีสไลเดอร์ Style และ Speed จังหวะและอารมณ์กำกับผ่านบทกับแท็กเสียง

บรีฟบรรยายที่ใช้งานจริงควรให้ฉากที่เขียนเสร็จ เสียงที่ต้องการ ภาษา เส้นอารมณ์ และปลายทางการใช้เสียง ตัวอย่างเช่น “อ่านช่วงเปิดอย่างสงบ หยุดก่อนพบสิ่งสำคัญ และทำให้ประโยคสุดท้ายฟังโล่งใจ คงน้ำเสียงผู้บรรยายให้สม่ำเสมอ” ตรวจการออกเสียง การเปลี่ยนผู้พูด แท็กหรือเหตุการณ์ที่ได้ยิน และการเชื่อมระหว่างข้อความ สิ่งส่งมอบที่เป็นประโยชน์คือเสียงพูดที่ผลิตแล้วและผูกกับบท มีเทคที่เลือกและคำกำกับที่จำเป็นต่อการแก้ประโยคเฉพาะ

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech elevenlabs/eleven-v4

elevenlabs/eleven-v4

ElevenLabs /elevenlabs/eleven-v4

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-v4	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 v4

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าElevenLabs: Eleven v4 · 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-v4", "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-v4

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

elevenlabs/eleven-v4

FAQ · ElevenLabs: Eleven v4

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-v4: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-v4: model, input, voice, response_format
มีข้อจำกัดใดบ้าง?: POST /v1/audio/speech · elevenlabs/eleven-v4: input.maximum_length: 10000

ElevenLabs: Eleven v4