> This is a page from the ElevenLabs documentation. For a complete page index, fetch https://elevenlabs.io/docs/llms.txt. For the full documentation in a single file, fetch https://elevenlabs.io/docs/llms-full.txt. # Text-to-Speech- vs. Text-to-Dialogue-WebSockets ElevenLabs bietet zwei verschiedene WebSocket-Produkte für das Streaming synthetisierter Sprache. Sie lösen unterschiedliche Probleme, akzeptieren unterschiedliche Nachrichtenformate und sind auf unterschiedliche Modelle ausgerichtet. ## Welchen WebSocket sollte ich verwenden? Verwenden Sie den **Text to Speech (TTS) WebSocket**, wenn Sie Klartext für **eine Stimme pro Verbindung** streamen (die Stimme ist in der URL festgelegt) und **nicht-v3**-Modelle wie Flash oder Multilingual v2, optionales SSML, Chunk-Zeitpläne oder die **Multi-Context**-Variante für die Behandlung von Unterbrechungen im Agent-Stil nutzen möchten. Verwenden Sie den **Text to Dialogue (TTD) WebSocket**, wenn Sie das Dialogverhalten von **Eleven v3** benötigen: ausdrucksstarke Wiedergabe, \*\*`voice_id` pro Chunk \*\*, Turn-Grenzen (`new_turn`) und dieselbe dialogorientierte Pufferung, die serverseitig für v3 verwendet wird. Für **Batch- oder HTTP-Streaming** von Dialogen (vollständige Anfrage in einem Aufruf) verwenden Sie stattdessen [Dialog erstellen](/docs/de/api-reference/text-to-dialogue/convert) oder [Dialog streamen](/docs/de/api-reference/text-to-dialogue/stream), nicht einen WebSocket. ## Vergleich | | Text to Speech WebSocket | Text to Dialogue WebSocket | | ------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | **API-Referenz** | [TTS stream-input](/docs/de/api-reference/text-to-speech/v-1-text-to-speech-voice-id-stream-input) | [TTD WebSocket](/docs/de/api-reference/text-to-dialogue/ttd-websocket) | | **URL** | `wss://api.elevenlabs.io/v1/text-to-speech/{voice_id}/stream-input` | `wss://api.elevenlabs.io/v1/text-to-dialogue/stream-input` | | **Stimmenauswahl** | Eine `voice_id` im Pfad; der gesamte gestreamte Text verwendet diese Stimme | Die erste Nachricht registriert eine oder mehrere `voices` per ID; jeder `inputs[]`-Eintrag gibt eine `voice_id` an | | **Modelle** | Flash, Multilingual v2 und weitere unterstützte TTS-Modelle. **Kein** `eleven_v3` oder `eleven_v4` an diesem Endpunkt. | **`model_id` muss mit `eleven_v3` oder `eleven_v4` beginnen** (zum Beispiel `eleven_v4` oder `eleven_v4_turbo`) | | **Erste Client-Nachricht** | Initialisieren Sie mit einem Leerzeichen und optionalen `voice_settings` / `generation_config` (siehe Echtzeit-TTS-Leitfaden) | Muss **`voices`** enthalten (sowie Anmeldedaten, falls diese nicht bereits über Header oder Query gesendet wurden) | | **Fortlaufender Text** | Senden Sie einen `text`-String (typischerweise mit nachfolgendem Leerzeichen); optional `flush`, `try_trigger_generation` usw. | Senden Sie **`inputs`**: Objekte vom Typ `{ text, voice_id, new_turn? }`; optional **`flush`**, **`close_socket`**, **`keep_alive`** | | **Pufferung / Zeitplanung** | Chunk-Längen-Zeitplan und zugehörige TTS-WebSocket-Steuerelemente | Der Server puffert, bis genügend Text vorhanden ist (etwa **40 Zeichen und 8 Wörter**), bevor er Audio ausgibt, außer Sie verwenden **`flush`** | | **Mehrere Sprecher an einem Socket** | Verwenden Sie den [Multi-Context-WebSocket](/docs/de/eleven-api/guides/how-to/websockets/multi-context-web-socket) für mehrere **parallele TTS-Kontexte**, nicht für Dialogsemantik mit mehreren Sprechern | Bis zu **10** registrierte Stimmen für `eleven_v4`; **`eleven_v4_turbo` erlaubt nur eine** registrierte Stimme | | **Inaktivität** | Konfigurierbares `inactivity_timeout` (TTS-WebSocket-Query) | **Fest 20 s** zwischen Client-Nachrichten, sofern Sie nicht **`keep_alive`** senden | | **Parallelität** | Nur die aktive Generierungszeit zählt zum [Parallelitätslimit](/docs/de/overview/models#concurrency-and-priority) Ihres Plans; ein inaktiver offener Socket zählt nicht | Jede offene Verbindung belegt während ihrer gesamten Laufzeit eine [Dialog-Sitzung](/docs/de/overview/models#text-to-dialogue-concurrency) aus einem separaten Pool; die Generierung über die Verbindung verbraucht keine Standard-Parallelität | | **Ausrichtung** | Optionales `sync_alignment` (TTS-Feldbenennung in der API-Referenz) | Optionales `sync_alignment`; JSON verwendet in Antworten **snake_case**-Felder (zum Beispiel `is_final`, `char_start_times_ms`) | ## Wann der TTS-WebSocket besser geeignet ist * Sie integrieren bereits **Flash** oder **Multilingual v2** für geringe Latenz oder breite Sprachabdeckung. * Sie möchten **eine Sprecherstimme** pro Verbindung und ein einfaches Text-pro-Frame-Protokoll. * Sie benötigen **Multi-Context**-Orchestrierung für Barge-in und parallele Äußerungen ([Multi-Context-Leitfaden](/docs/de/eleven-api/guides/how-to/websockets/multi-context-web-socket)). Eine vollständige Anleitung für den TTS-WebSocket finden Sie unter [Audio in Echtzeit generieren](/docs/de/eleven-api/guides/how-to/websockets/realtime-tts). ## Wann der TTD-WebSocket besser geeignet ist * Sie verwenden **Eleven v4** für Dialoge (ausdrucksstarke Tags, Gesprächsrhythmus, Zeilen mit mehreren Sprechern). * Sie streamen **skriptbasierte oder LLM-generierte Dialoge**, bei denen die **sprechende Stimme pro Zeile wechseln kann**, ohne eine neue Verbindung zu öffnen. * Sie möchten **WebSocket-artige** inkrementelle Eingaben mit **nur für v4** verfügbarer Dialoggenerierung auf dem Server. Für eine praktische Anleitung verwenden Sie [Echtzeit-Text to Dialogue](/docs/de/eleven-api/guides/how-to/websockets/realtime-tdd). Protokolldetails finden Sie in der [API-Referenz](/docs/de/api-reference/text-to-dialogue/ttd-websocket). ## Zugehörige Leitfäden #### [Echtzeit-Text to Dialogue](/docs/de/eleven-api/guides/how-to/websockets/realtime-tdd) Verbinden Sie sich, registrieren Sie Stimmen, streamen Sie `inputs` und speichern Sie Audio aus dem TTD-WebSocket. #### [Echtzeit-TTS-WebSocket](/docs/de/eleven-api/guides/how-to/websockets/realtime-tts) Schrittweise Anleitung für Verbindung und Nachrichten im Standard-TTS-WebSocket. #### [Multi-Context-WebSocket](/docs/de/eleven-api/guides/how-to/websockets/multi-context-web-socket) Mehrere TTS-Kontexte in einer Verbindung für Agent-Workflows. #### [Text to Dialogue-Schnellstart](/docs/de/eleven-api/guides/cookbooks/text-to-dialogue) Beispiele für HTTP-Anfragen für Dialoge mit mehreren Stimmen. #### [Text to Dialogue-Funktion](/docs/de/overview/capabilities/text-to-dialogue) Produktorientierter Überblick über die Dialoggenerierung.