WebSockets de Texto a Voz y Texto a Diálogo

ElevenLabs ofrece dos productos WebSocket diferentes para transmitir voz sintetizada en streaming. Resuelven problemas distintos, aceptan formatos de mensaje diferentes y están orientados a modelos distintos.

¿Qué WebSocket debo usar?

Usa el WebSocket de Texto a Voz (TTS) cuando transmitas texto sin formato para una voz por conexión (la voz se fija en la URL) y quieras usar modelos que no sean v3, como Flash o Multilingual v2, SSML opcional, programaciones de fragmentos o la variante de multicontexto para gestionar interrupciones al estilo de agentes.

Usa el WebSocket de Texto a Diálogo (TTD) cuando necesites el comportamiento de diálogo de Eleven v3: entonación expresiva, **voice_id por fragmento **, límites de turno (new_turn) y el mismo almacenamiento en búfer orientado al diálogo que se usa para v3 en el servidor.

Para diálogos mediante lotes o streaming HTTP (la solicitud completa en una llamada), usa Crear diálogo o Transmitir diálogo en lugar de un WebSocket.

Comparación

	WebSocket de Texto a Voz	WebSocket de Texto a Diálogo
Referencia de la API	Entrada de streaming de TTS	WebSocket de TTD
URL	`wss://api.elevenlabs.io/v1/text-to-speech/{voice_id}/stream-input`	`wss://api.elevenlabs.io/v1/text-to-dialogue/stream-input`
Selección de voz	Un `voice_id` en la ruta; todo el texto transmitido usa esa voz	El primer mensaje registra una o varias `voices` por ID; cada entrada de `inputs[]` indica un `voice_id`
Modelos	Flash, Multilingual v2 y otros modelos de TTS compatibles. No admite `eleven_v3` ni `eleven_v4` en esta ruta.	`model_id` debe empezar por `eleven_v3` o `eleven_v4` (por ejemplo, `eleven_v4` o `eleven_v4_turbo`)
Primer mensaje del cliente	Inicializa con un espacio y `voice_settings` / `generation_config` opcionales (consulta la guía de TTS en tiempo real)	Debe incluir `voices` (y las credenciales si no se han enviado ya mediante cabeceras o parámetros de consulta)
Texto posterior	Envía una cadena `text` (normalmente con un espacio al final); `flush`, `try_trigger_generation`, etc. opcionales.	Envía `inputs`: objetos `{ text, voice_id, new_turn? }`; `flush`, `close_socket` y `keep_alive` opcionales
Almacenamiento en búfer / programación	Programación de longitud de fragmentos y controles relacionados del WebSocket de TTS	El servidor almacena en búfer hasta que haya suficiente texto (aproximadamente 40 caracteres y 8 palabras) antes de emitir audio, salvo que uses `flush`
Varias voces en un socket	Usa el WebSocket multicontexto para varios contextos de TTS en paralelo, no para semántica de diálogo multivoz	Hasta 10 voces registradas para `eleven_v4`; `eleven_v4_turbo` solo permite una voz registrada
Inactividad	`inactivity_timeout` configurable (parámetro de consulta del WebSocket de TTS)	20 s fijos entre mensajes del cliente, a menos que envíes `keep_alive`
Concurrencia	Solo el tiempo de generación activo cuenta para el límite de concurrencia de tu plan; un socket abierto inactivo no cuenta	Cada conexión abierta mantiene una sesión de diálogo de un grupo independiente durante toda su vida útil; la generación a través de la conexión no consume concurrencia estándar
Alineación	`sync_alignment` opcional (nomenclatura de los campos de TTS en la referencia de la API)	`sync_alignment` opcional; el JSON usa campos en snake_case en las respuestas (por ejemplo, `is_final`, `char_start_times_ms`)

Cuándo encaja mejor el WebSocket de TTS

Ya integras Flash o Multilingual v2 por latencia o cobertura de idiomas.
Quieres una voz de narrador por conexión y un protocolo sencillo de texto por trama.
Necesitas orquestación multicontexto para interrupciones y emisiones paralelas (guía de multicontexto).

Consulta Generar audio en tiempo real para ver una guía completa del WebSocket de TTS.

Cuándo encaja mejor el WebSocket de TTD

Usas diálogos de Eleven v4 (etiquetas expresivas, ritmo conversacional, líneas con varias voces).
Transmites diálogo generado por guion o LLM en el que la voz que habla puede cambiar en cada línea sin abrir una conexión nueva.
Quieres una entrada incremental con formato de WebSocket con generación de diálogo solo para v4 en el servidor.

Para una guía práctica, consulta Texto a Diálogo en Tiempo Real. Los detalles del protocolo están en la referencia de la API.

Guías relacionadas

Texto a Diálogo en Tiempo Real

Conecta, registra voces, transmite inputs y guarda el audio del WebSocket de TTD.

WebSocket de TTS en tiempo real

Conexión y mensajería paso a paso para el WebSocket de TTS estándar.

WebSocket multicontexto

Varios contextos de TTS en una conexión para workflows de agentes.

Guía rápida de Texto a Diálogo

Ejemplos de solicitudes HTTP para diálogo multivoz.

Función de Texto a Diálogo

Resumen orientado al producto sobre la generación de diálogo.