> 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.

# टेक्स्ट टू स्पीच

## परिचय

ElevenLabs [टेक्स्ट टू स्पीच (TTS)](/docs/hi/api-reference/text-to-speech/convert) API टेक्स्ट को प्राकृतिक लगने वाले ऑडियो में बदलता है, जिसमें बारीक उतार-चढ़ाव, गति और भावनात्मक समझ होती है। [हमारे मॉडल](/docs/hi/overview/models) 32 भाषाओं और कई वॉइस स्टाइल्स में टेक्स्ट के संकेतों के अनुसार ढलते हैं और इनका उपयोग इन कामों के लिए किया जा सकता है:

* वैश्विक मीडिया कैंपेन और विज्ञापनों का वॉइसओवर बनाने के लिए
* जटिल भावनात्मक अभिव्यक्ति के साथ कई भाषाओं में ऑडियोबुक बनाने के लिए
* टेक्स्ट से रियल-टाइम ऑडियो स्ट्रीम करने के लिए

एक नमूना सुनें:

<elevenlabs-audio-player audio-title="George" audio-src="https://storage.googleapis.com/eleven-public-cdn/audio/marketing/george.mp3" />

अपने प्रोजेक्ट के लिए सही आवाज़ खोजने के लिए हमारी [वॉइस लाइब्रेरी](https://elevenlabs.io/app/voice-library) देखें।

> **Warning**
>
> मुफ़्त टियर यूज़र्स के लिए वॉइस लाइब्रेरी API के ज़रिए उपलब्ध नहीं है।

#### [प्रोडक्ट्स](/docs/hi/eleven-creative/playground/text-to-speech)

ElevenLabs में टेक्स्ट टू स्पीच इस्तेमाल करने की चरण-दर-चरण गाइड।

#### [डेवलपर्स](/docs/hi/eleven-api/quickstart)

जानें कि टेक्स्ट टू स्पीच को अपने एप्लिकेशन में कैसे इंटीग्रेट करें।

#### [API रेफरेंस](/docs/hi/api-reference/text-to-speech/convert)

टेक्स्ट टू स्पीच एंडपॉइंट के लिए पूरी API रेफरेंस।

#### [MCP](/docs/hi/eleven-agents/operate/hosted-mcp)

होस्ट किए गए MCP सर्वर से Claude या किसी भी MCP क्लाइंट के लिए स्पीच जनरेट करें।

#### [Eleven v4](/docs/hi/overview/capabilities/text-to-speech/eleven-v4)

वॉइस क्लोनिंग तुलना के साथ जानें कि Eleven v4 में क्या बदला है।

### वॉइस क्वालिटी

रियल-टाइम एप्लिकेशन के लिए Flash v2.5 बेहद कम 75ms लेटेंसी देता है, जबकि Multilingual v2 ज़्यादा बारीक अभिव्यक्ति के साथ सबसे उच्च गुणवत्ता का ऑडियो देता है।

#### [Eleven v4](/docs/hi/overview/models#eleven-v4)

हमारा सबसे भावपूर्ण, उच्च-गुणवत्ता वाला स्पीच सिंथेसिस मॉडल

बेहतरीन वॉइस क्लोनिंग क्षमताएं

90+ भाषाएं समर्थित

10,000 कैरेक्टर की सीमा

नैचुरल मल्टी-स्पीकर डायलॉग के लिए सपोर्ट

#### [Eleven v4 Turbo](/docs/hi/overview/models#eleven-v4-turbo)

हमारा सबसे भावपूर्ण, रियल-टाइम स्पीच सिंथेसिस मॉडल

अल्ट्रा-लो लेटेंसी (मीडियन इन्फ़रेंस लेटेंसी \~100ms†)

बेहतरीन वॉइस क्लोनिंग क्षमताएं

90+ भाषाएं समर्थित

बारीक नियंत्रण के लिए ऑडियो टैग्स

#### [Eleven v3](/docs/hi/overview/models#eleven-v3)

हमारा भावनाओं से भरपूर, एक्सप्रेसिव स्पीच सिंथेसिस मॉडल

नाटकीय डिलीवरी और परफ़ॉर्मेंस

70+ भाषाएं समर्थित

5,000 कैरेक्टर की सीमा

नैचुरल मल्टी-स्पीकर डायलॉग के लिए सपोर्ट

#### [Eleven v3 Conversational](/docs/hi/overview/models#eleven-v3-conversational)

हमारा एक्सप्रेसिव, रियलटाइम स्पीच सिंथेसिस मॉडल

लो लेटेंसी (\~280ms)

नाटकीय डिलीवरी और परफ़ॉर्मेंस

70+ भाषाएं समर्थित

बारीक नियंत्रण के लिए ऑडियो टैग्स

#### [Eleven Multilingual v2](/docs/hi/overview/models#multilingual-v2)

जीवंत, एक जैसी गुणवत्ता वाला स्पीच सिंथेसिस मॉडल

स्वाभाविक सुनाई देने वाला आउटपुट

29 भाषाएं समर्थित

10,000 कैरेक्टर की सीमा

लंबे जनरेशन में सबसे स्थिर

#### [Eleven Flash v2.5](/docs/hi/overview/models#flash-v25)

हमारा तेज़, किफ़ायती स्पीच सिंथेसिस मॉडल

अल्ट्रा-लो लेटेंसी (\~75ms†)

32 भाषाएं समर्थित

40,000 कैरेक्टर की सीमा

तेज़ मॉडल, API जनरेशन के लिए प्रति कैरेक्टर 50% कम कीमत

[सभी देखें](/docs/hi/overview/models)

### वॉइस विकल्प

ElevenLabs कई क्रिएशन तरीकों के ज़रिए 32 भाषाओं में हज़ारों आवाज़ें उपलब्ध कराता है:

* समुदाय द्वारा साझा की गई 3,000+ आवाज़ों वाली [वॉइस लाइब्रेरी](/docs/hi/overview/capabilities/voices)
* सबसे सटीक प्रतिकृतियों के लिए [प्रोफेशनल वॉइस क्लोनिंग](/docs/hi/overview/capabilities/voices#cloned)
* तेज़ी से आवाज़ की प्रतिकृति बनाने के लिए [इंस्टेंट वॉइस क्लोनिंग](/docs/hi/overview/capabilities/voices#cloned)
* टेक्स्ट विवरणों से कस्टम आवाज़ें जनरेट करने के लिए [वॉइस डिज़ाइन](/docs/hi/overview/capabilities/voices#voice-design)

हमारे [वॉइस विकल्पों](/docs/hi/overview/capabilities/voices) के बारे में और जानें।

### ऑडियो इफेक्ट्स

ऑडियो इफेक्ट्स जनरेट की गई स्पीच को पोस्ट-प्रोसेस करते हैं, ताकि वह ऐसा लगे जैसे उसे किसी खास जगह पर रिकॉर्ड किया गया हो, और बाद में एडिटिंग की ज़रूरत न पड़े। इनमें से कोई भी कॉम्बिनेशन सेट करें:

* **फ़िल्टर प्रीसेट**: आवाज़ का टोन बदलता है, जैसे फ़ोन लाइन, पुराना रेडियो या रोबोट।
* **दूरी**: स्पीकर को माइक्रोफ़ोन से दूर करता है।
* **एनवायरनमेंट**: आवाज़ को गूंज वाली जगह में रखता है, जैसे छोटा कमरा या हॉल।
* **बैकग्राउंड नॉइज़**: आवाज़ के नीचे कैफ़े या कीबोर्ड टाइपिंग जैसी एम्बिएंट ध्वनि लूप करता है।
* **पैन**: आवाज़ को बाएं और दाएं चैनल के बीच रखता है।

स्ट्रीमिंग और टाइमस्टैम्प वाले अनुरोधों सहित, [`audio_effects`](/docs/hi/api-reference/text-to-speech/convert#request.body.audio_effects) पैरामीटर के ज़रिए टेक्स्ट टू स्पीच और टेक्स्ट टू डायलॉग एंडपॉइंट्स पर इफेक्ट्स उपलब्ध हैं। उपलब्ध फ़िल्टर प्रीसेट, एनवायरनमेंट और बैकग्राउंड नॉइज़ को [ऑडियो इफेक्ट्स कैटलॉग](/docs/hi/api-reference/audio-effects/get-catalog) में देखें। एजेंट्स वॉइस फ़िल्टर भी लागू कर सकते हैं; [ऑडियो एनवायरनमेंट](/docs/hi/eleven-agents/customization/voice/audio-environment) देखें। ऐप में [टेक्स्ट टू स्पीच प्लेग्राउंड](/docs/hi/eleven-creative/playground/text-to-speech) से इफेक्ट्स जोड़ें।

इफेक्ट्स से अनुरोध की लागत नहीं बदलती। रीवरब और पैनिंग स्टीरियो ऑडियो बनाते हैं, इसलिए ये मोनो `pcm_*`, `ulaw_*` और `alaw_*` आउटपुट फ़ॉर्मैट के साथ उपलब्ध नहीं हैं।

#### समर्थित आउटपुट फ़ॉर्मैट

डिफ़ॉल्ट रिस्पॉन्स फ़ॉर्मैट `mp3` है, लेकिन `pcm` और `ulaw` जैसे अन्य फ़ॉर्मैट भी उपलब्ध हैं।

* **MP3**
  * सैंपल रेट: 22.05kHz - 44.1kHz
  * बिटरेट: 32kbps - 192kbps
  * 22.05kHz @ 32kbps
  * 44.1kHz @ 32kbps, 64kbps, 96kbps, 128kbps, 192kbps
* **PCM (S16LE)**
  * सैंपल रेट: 16kHz - 44.1kHz
  * बिटरेट: 8kHz, 16kHz, 22.05kHz, 24kHz, 44.1kHz, 48kHz
  * 16-बिट डेप्थ
* **μ-law**
  * 8kHz सैंपल रेट
  * टेलीफ़ोनी एप्लिकेशन के लिए ऑप्टिमाइज़्ड
* **A-law**
  * 8kHz सैंपल रेट
  * टेलीफ़ोनी एप्लिकेशन के लिए ऑप्टिमाइज़्ड
* **Opus**
  * सैंपल रेट: 48kHz
  * बिटरेट: 32kbps - 192kbps

> **Success**
>
> उच्च गुणवत्ता वाले ऑडियो विकल्प सिर्फ़ पेड टियर्स पर उपलब्ध हैं — जानकारी के लिए हमारा [प्राइसिंग पेज](https://elevenlabs.io/pricing/api) देखें।

### समर्थित भाषाएँ

हमारे multilingual v2 मॉडल्स 29 भाषाओं को support करते हैं:

*अंग्रेज़ी (USA, UK, ऑस्ट्रेलिया, कनाडा), जापानी, चीनी, जर्मन, हिंदी, फ़्रेंच (फ़्रांस, कनाडा), कोरियाई, पुर्तगाली (ब्राज़ील, पुर्तगाल), इतालवी, स्पेनिश (स्पेन, मेक्सिको), इंडोनेशियाई, डच, तुर्की, फ़िलिपीनो, पोलिश, स्वीडिश, बल्गेरियाई, रोमानियाई, अरबी (सऊदी अरब, UAE), चेक, यूनानी, फ़िनिश, क्रोएशियाई, मलय, स्लोवाक, डेनिश, तमिल, यूक्रेनी और रूसी।*

Flash v2.5, v2 मॉडल्स की सभी भाषाओं के साथ-साथ 32 भाषाओं को support करता है:

*हंगेरियन, नॉर्वेजियन और वियतनामी*

बस हमारी किसी भी समर्थित भाषा में टेक्स्ट डालें और हमारी [वॉइस लाइब्रेरी](https://elevenlabs.io/app/voice-library) से मिलती-जुलती आवाज़ चुनें। सबसे प्राकृतिक नतीजों के लिए, ऐसी आवाज़ चुनें जिसका एक्सेंट आपकी टारगेट भाषा और क्षेत्र से मेल खाता हो।

### प्रॉम्प्टिंग

मॉडल टेक्स्ट इनपुट से सीधे भावनात्मक संदर्भ समझते हैं। उदाहरण के लिए, "उसने उत्साह से कहा" जैसा वर्णनात्मक टेक्स्ट जोड़ने या विस्मयादिबोधक चिह्नों का इस्तेमाल करने से स्पीच का भाव प्रभावित होगा। Stability और Similarity जैसी वॉइस सेटिंग्स स्थिरता नियंत्रित करने में मदद करती हैं, जबकि मूल भावना टेक्स्ट संकेतों से आती है।

ज़्यादा जानकारी के लिए [प्रॉम्प्टिंग गाइड](/docs/hi/overview/capabilities/text-to-speech/best-practices) पढ़ें।

> **Note**
>
> मॉडल वर्णनात्मक टेक्स्ट को बोलकर सुनाएगा, इसलिए चाहें तो उसे ऑडियो से मैन्युअल रूप से ट्रिम या हटाना होगा।

## FAQ

#### क्या मैं अपनी आवाज़ क्लोन कर सकता/सकती हूँ?

हाँ, आप छोटी ऑडियो क्लिप्स से अपनी आवाज़ के [इंस्टेंट वॉइस क्लोन](/docs/hi/overview/capabilities/voices#cloned) बना सकते हैं। उच्च-सटीकता वाले क्लोन के लिए हमारी [प्रोफेशनल वॉइस क्लोनिंग](/docs/hi/overview/capabilities/voices#cloned) सुविधा देखें।

#### क्या ऑडियो आउटपुट का मालिकाना हक मेरा है?

हाँ। आपके द्वारा जनरेट किए गए किसी भी ऑडियो का मालिकाना हक आपके पास रहता है। हालांकि, कमर्शियल इस्तेमाल के अधिकार सिर्फ़ पेड प्लान्स में उपलब्ध हैं। पेड सब्सक्रिप्शन के साथ, अगर इनपुट कंटेंट के IP अधिकार आपके पास हैं, तो आप जनरेट किए गए ऑडियो का कमर्शियल इस्तेमाल कर सकते हैं और उससे कमाई कर सकते हैं।

#### मुफ़्त रीजनरेशन के लिए क्या योग्य है?

मुफ़्त रीजनरेशन आपको इन्हीं शर्तों के तहत बिना अतिरिक्त लागत के उसी टेक्स्ट टू स्पीच कंटेंट को फिर से जनरेट करने देता है:

* आप हर कंटेंट को मुफ़्त में 2 बार तक फिर से जनरेट कर सकते हैं
* कंटेंट पिछली जनरेशन जैसा बिल्कुल समान होना चाहिए। टेक्स्ट, वॉइस सेटिंग्स या अन्य पैरामीटर्स में कोई भी बदलाव करने पर नई, पेड जनरेशन की ज़रूरत होगी

अगर ऑडियो आउटपुट में हल्का विकार हो तो मुफ़्त रीजनरेशन उपयोगी होते हैं। ElevenLabs के आंतरिक बेंचमार्क के अनुसार, रीजनरेशन से गुणवत्ता संबंधी लगभग आधी समस्याएँ हल हो जाती हैं; बाकी समस्याएँ आमतौर पर खराब ट्रेनिंग डेटा के कारण होती हैं।

#### रियल-टाइम मामलों के लिए लेटेंसी कैसे कम करूँ?

लगभग रियल-टाइम संवादात्मक या इंटरैक्टिव स्थितियों के लिए ऑप्टिमाइज़्ड कम-लेटेंसी Flash [मॉडल्स](/docs/hi/overview/models) (Flash v2 या v2.5) इस्तेमाल करें। ज़्यादा जानकारी के लिए हमारी [लेटेंसी ऑप्टिमाइज़ेशन गाइड](/docs/hi/eleven-api/guides/how-to/best-practices/latency-optimization) देखें।

#### मेरा आउटपुट कभी-कभी असंगत क्यों होता है?

मॉडल नॉनडिटरमिनिस्टिक हैं। एकरूपता के लिए वैकल्पिक [seed पैरामीटर](/docs/hi/api-reference/text-to-speech/convert#request.body.seed) इस्तेमाल करें, हालांकि हल्के अंतर फिर भी हो सकते हैं।

#### बड़े टेक्स्ट कन्वर्ज़न के लिए सबसे अच्छा तरीका क्या है?

लंबे टेक्स्ट को सेगमेंट्स में बाँटें और रियल-टाइम प्लेबैक व कुशल प्रोसेसिंग के लिए स्ट्रीमिंग इस्तेमाल करें। चंक्स के बीच प्राकृतिक प्रोसोडी बनाए रखने के लिए [पिछले/अगले टेक्स्ट या पिछले/अगले रिक्वेस्ट ID पैरामीटर्स](/docs/hi/api-reference/text-to-speech/convert#request.body.previous_text) शामिल करें।

## मुख्य बातें

* **डिटरमिनिज़्म**: आउटपुट नॉनडिटरमिनिस्टिक है — अधिक एकरूप नतीजों के लिए `seed` पैरामीटर इस्तेमाल करें
* **ऑडियो इफेक्ट्स**: बिना अतिरिक्त लागत `audio_effects` के साथ फ़िल्टर प्रीसेट, दूरी, रीवरब, बैकग्राउंड नॉइज़ या पैनिंग जोड़ें
* **मुफ़्त रीजनरेशन**: हर जनरेशन के लिए 2 तक मुफ़्त रीजनरेशन (सिर्फ़ समान कंटेंट और पैरामीटर्स)
* **मालिकाना हक**: जनरेट किए गए ऑडियो का मालिकाना हक आपके पास रहता है; कमर्शियल इस्तेमाल के लिए पेड प्लान चाहिए
* **कम-लेटेंसी इस्तेमाल के मामले**: Flash मॉडल्स (`eleven_flash_v2` या `eleven_flash_v2_5`) इस्तेमाल करें — [लेटेंसी ऑप्टिमाइज़ेशन गाइड](/docs/hi/eleven-api/guides/how-to/best-practices/latency-optimization) देखें
* **बड़ा टेक्स्ट**: लंबे टेक्स्ट को सेगमेंट्स में बाँटें; चंक्स में प्राकृतिक प्रोसोडी बनाए रखने के लिए `previous_text` / `next_text` पैरामीटर्स इस्तेमाल करें