टेक्स्ट टू स्पीच और वॉइस एजेंट API

अपने कोडिंग एजेंट के साथ शुरुआत करें। पहले से अकाउंट या API key की ज़रूरत नहीं है।

इसे Claude Code, Cursor या Codex में पेस्ट करें। यह आपको साइन इन करता है या अकाउंट बनाता है, key बनाता है और आपके प्रोजेक्ट में SDK जोड़ता है।

Add ElevenLabs to my project: run `npx -y @elevenlabs/cli@latest onboard init` and follow what it prints.

देखें कि यह कैसे काम करता है, या यह जानने के लिए कि यह आपके एजेंट को ठीक-ठीक क्या बताता है, onboard कमांड का सोर्स पढ़ें।

ElevenLabs कैसे काम करता है?

ElevenLabs AI वॉइस इन्फ्रास्ट्रक्चर देता है: टेक्स्ट टू स्पीच, स्पीच टू टेक्स्ट, वॉइस क्लोनिंग, वॉइस एजेंट और जनरेटिव ऑडियो। अलग-अलग ऑडियंस के लिए उपयुक्त, आप इसका उपयोग चार तरीकों से कर सकते हैं।

ElevenCreative एक नो-कोड वेब ऐप्लिकेशन है, जहां क्रिएटर, प्रोड्यूसर और एडिटर सीधे ब्राउज़र में वॉइसओवर, म्यूज़िक, डब और स्टूडियो प्रोजेक्ट्स जनरेट करते हैं।

ElevenAgents वॉइस एजेंट डिज़ाइन करने और चलाने का प्लैटफ़ॉर्म है, जिसमें गैर-तकनीकी यूज़रों के लिए विज़ुअल बिल्डर और डेवलपर के लिए पूरा प्रोग्रामैटिक कंट्रोल है।

ElevenAPI हर क्षमता को आधिकारिक Python और TypeScript SDK के साथ REST इंटरफ़ेस के रूप में उपलब्ध कराता है, ताकि डेवलपर अपने ऐप्लिकेशन और workflow में वॉइस जोड़ सकें।

Reception.ai छोटे और मध्यम व्यवसायों के लिए तुरंत डिप्लॉय किया जा सकने वाला AI फोन रिसेप्शनिस्ट है, जो कॉल का जवाब देता है, अपॉइंटमेंट बुक करता है और एक ही डैशबोर्ड से रोज़मर्रा के काम संभालता है।

अपना रास्ता चुनें

ElevenCreative

चरण-दर-चरण गाइड्स के साथ ElevenCreative प्लैटफ़ॉर्म का उपयोग करना सीखें

ElevenAgents

ElevenLabs के साथ एजेंट बनाना, लॉन्च करना और स्केल करना सीखें

ElevenAPI

उदाहरणों और ट्यूटोरियल के साथ ElevenLabs API इंटीग्रेट करना सीखें

अवधारणाएं

वॉइस ऑडियो जनरेशन में उपयोग की जाने वाली बोलने की पहचान हैं। हर वॉइस की एक यूनीक ID होती है — उदाहरण के लिए, JBFqnCBsd6RMkjVDRZzb — जिसे आप डैशबोर्ड में चुनते हैं या API अनुरोधों में भेजते हैं। ElevenLabs 10,000+ वॉइस की लाइब्रेरी बनाए रखता है। आप ऑडियो रिकॉर्डिंग से वॉइस क्लोन कर सकते हैं या टेक्स्ट विवरण से एक जनरेट कर सकते हैं।

मॉडल जनरेट किए गए ऑडियो की गुणवत्ता, लेटेंसी और भाषा कवरेज को नियंत्रित करते हैं। eleven_v4 90+ भाषाओं में सबसे अभिव्यंजक आउटपुट देता है। eleven_v4_turbo ~100ms की औसत लेटेंसी के साथ रीयल-टाइम उपयोग के लिए बनाया गया है। हर क्षमता — स्पीच टू टेक्स्ट, म्यूज़िक, साउंड इफेक्ट्स — का अपना समर्पित मॉडल होता है। मॉडल चुनने के लिए मुझे कौन सा मॉडल इस्तेमाल करना चाहिए? देखें।

कीमत कैसे काम करती है?

क्रेडिट्स हर प्रोडक्ट में साझा उपयोग की इकाई हैं। टेक्स्ट टू स्पीच में इनपुट टेक्स्ट के हर कैरेक्टर पर एक क्रेडिट लगता है। अन्य ऑपरेशन प्रोसेस किए गए ऑडियो के प्रति सेकंड के हिसाब से चार्ज किए जाते हैं। क्रेडिट्स हर महीने रीसेट होते हैं और इस्तेमाल न किए गए क्रेडिट्स अधिकतम दो महीने तक रोल ओवर होते हैं। पूरा विवरण प्राइसिंग में देखें।

मासिक सदस्यता के बिना API इस्तेमाल करने के लिए, Pay As You Go आपको पहले से बैलेंस भुगतान करने देता है, जो सदस्यता क्रेडिट खत्म होने के बाद ElevenLabs इस्तेमाल करने पर कम होता जाता है।

प्रोडक्शन के लिए बनाया गया

ElevenLabs टेक्स्ट टू स्पीच कितना तेज़ है?

Eleven v4 Turbo और Eleven Flash v2.5, दोनों ही ~100ms की मीडियन लेटेंसी पर पहला ऑडियो लौटाते हैं। Scribe v2 Realtime ~150ms की मीडियन लेटेंसी पर कमिट किए गए ट्रांसक्रिप्ट लौटाता है। इन आंकड़ों में एप्लिकेशन और नेटवर्क लेटेंसी शामिल नहीं है, इसलिए आपके यूज़र्स को ऑडियो सुनाई देने में अधिक समय लगता है। लेटेंसी कैसे मापी जाती है में बताया गया है कि इन आंकड़ों में क्या शामिल है, और लेटेंसी ऑप्टिमाइज़ेशन में एंड-टू-एंड लेटेंसी कम करने के तरीके दिए गए हैं।

ElevenLabs स्केल को कैसे संभालता है?

आपका प्लान तय करता है कि एक ही समय में कितने अनुरोध प्रोसेस होंगे। कॉन्करेंसी सीमा एक साथ होने वाली बातचीत की सीमा नहीं होती: सामान्य तौर पर, 5 की सीमा इस्तेमाल की गई वॉइस और उपयोग के मामले के आधार पर लगभग 100 एक साथ ऑडियो ब्रॉडकास्ट को सपोर्ट कर सकती है। Enterprise प्लान में अधिक सीमाएं होती हैं। हर प्लान की सीमाओं और लोड टेस्टिंग के निर्देशों के लिए कॉन्करेंसी और प्राथमिकता देखें।

Enterprise नियंत्रण

प्राइवेट डिप्लॉयमेंट आपके अपने क्लाउड अकाउंट में ElevenAgents, टेक्स्ट टू स्पीच और स्पीच टू टेक्स्ट चलाते हैं, ताकि टेक्स्ट, ऑडियो और ट्रांसक्रिप्ट आपके नेटवर्क में रहें।
डेटा रेज़िडेंसी आपके डेटा को डिफ़ॉल्ट U.S. लोकेशन के बजाय EU, भारत या सिंगापुर के आइसोलेटेड एनवायरनमेंट में स्टोर करती है। यह Enterprise फीचर है।
वर्कस्पेस बिलिंग, साझा संसाधनों, टीम एक्सेस और API key मैनेजमेंट को एक जगह लाते हैं। Enterprise वर्कस्पेस SAML 2.0 या OIDC पर SSO, और OCSF स्कीमा में एडमिनिस्ट्रेटिव गतिविधियों के ऑडिट लॉग जोड़ते हैं।

अपना पहला ऑडियो जनरेट करें

SDK इंस्टॉल करें, अपनी API key को एनवायरनमेंट वेरिएबल के रूप में सेट करें और एक ही अनुरोध में टेक्स्ट को MP3 फ़ाइल में बदलें। इसके बजाय अपने कोडिंग एजेंट से यह सेटअप कराने के लिए, अपने कोडिंग एजेंट के साथ सेटअप करें देखें।

SDK इंस्टॉल करें

pip install elevenlabs python-dotenv

अपनी API key सेट करें

API key बनाएं और इसे अपनी प्रोजेक्ट डायरेक्टरी में मौजूद .env फ़ाइल में जोड़ें:

.env

ELEVENLABS_API_KEY=<your_api_key_here>

ऑडियो जनरेट और सेव करें

from dotenv import load_dotenv
from elevenlabs.client import ElevenLabs
import os
load_dotenv()
elevenlabs = ElevenLabs(
  api_key=os.getenv("ELEVENLABS_API_KEY"),
)
audio = elevenlabs.text_to_speech.convert(
    text="The first move is what sets everything in motion.",
    voice_id="JBFqnCBsd6RMkjVDRZzb",  # "George" - browse voices at elevenlabs.io/app/voice-library
    model_id="eleven_v4",
    output_format="mp3_44100_128",
)
with open("output.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

स्क्रिप्ट को python example.py या npx tsx example.mts से चलाएं, फिर output.mp3 खोलें। टर्मिनल से यही काम करने के लिए, ElevenLabs CLI इस्तेमाल करें:

elevenlabs text-to-speech convert \
  --voice-id JBFqnCBsd6RMkjVDRZzb \
  --model-id eleven_v4 \
  --text "The first move is what sets everything in motion." \
  --output-format mp3_44100_128 \
  --output output.mp3

ElevenAPI क्विकस्टार्ट में इसी अनुरोध को अधिक विस्तार से बताया गया है, जिसमें CLI सेटअप और अपने स्पीकर्स से ऑडियो चलाना शामिल है।

ElevenAgents से मैं क्या बना सकता हूं?

ElevenAgents स्पीच रिकग्निशन, आपकी पसंद के LLM, टेक्स्ट टू स्पीच और टर्न-टेकिंग को एक ही वॉइस एजेंट में जोड़ता है, जिसे आप डैशबोर्ड या SDKs के ज़रिए कॉन्फ़िगर कर सकते हैं।

कस्टमर सपोर्ट: एजेंट से नॉलेज बेस अटैच करके अपने दस्तावेज़ों से जुड़े सवालों के जवाब दें।
फ़ोन लाइनें: इनबाउंड और आउटबाउंड कॉल संभालने के लिए नेटिव इंटीग्रेशन से Twilio नंबर कनेक्ट करें, या SIP ट्रंकिंग के ज़रिए अपना मौजूदा फ़ोन सिस्टम जोड़ें।
आउटबाउंड कैंपेन: बैच कॉलिंग से एक साथ कई आउटबाउंड कॉल करें।
वेबसाइट्स और ऐप्स: विजेट से ऐसा एजेंट एम्बेड करें जो वॉइस और टेक्स्ट, दोनों संभालता हो।

ElevenAgents क्विकस्टार्ट में शुरू से अंत तक अपना पहला एजेंट बनाएं।

मुझे कौन-सा मॉडल इस्तेमाल करना चाहिए?

अपने उपयोग के मामले से शुरुआत करें। नीचे दिया हर मॉडल ID, API अनुरोधों में model_id के रूप में पास किया जाने वाला मान है।

उपयोग का मामला	सुझाया गया मॉडल	मॉडल ID	क्यों
रियल-टाइम वॉइस एजेंट	Eleven v4 Turbo	`eleven_v4_turbo`	सबसे अभिव्यंजक रियल-टाइम डिलीवरी के साथ ~100ms† की मीडियन लेटेंसी। `eleven_flash_v2_5` की मीडियन लेटेंसी भी समान है।
अभिव्यंजक या लंबे फ़ॉर्म का नैरेशन	Eleven v4	`eleven_v4`	सबसे अभिव्यंजक मॉडल, जो ऑडियोबुक और कैरेक्टर वॉइसओवर के लिए उपयुक्त है। हर अनुरोध में 10,000 कैरेक्टर तक (~10 मिनट का ऑडियो)। सबसे स्थिर लंबे फ़ॉर्म आउटपुट के लिए `eleven_multilingual_v2` इस्तेमाल करें।
बहुभाषी कंटेंट	Eleven v4	`eleven_v4`	भाषा बदलने पर भी एक जैसी वॉइस क्वालिटी के साथ 90+ भाषाएं। `eleven_v4_turbo` रियल टाइम में यही भाषाएं कवर करता है।
सबसे कम लागत	Eleven Flash v2.5	`eleven_flash_v2_5`	API जनरेशन के लिए प्रति कैरेक्टर 50% कम कीमत, 32 भाषाएं और हर अनुरोध में 40,000 कैरेक्टर तक।
स्पीच टू टेक्स्ट, बैच	Scribe v2	`scribe_v2`	शब्द-स्तरीय टाइमस्टैम्प, 32 स्पीकर्स तक के लिए स्पीकर डायरीकरण और कीटर्म प्रॉम्प्टिंग के साथ 90+ भाषाओं में ट्रांसक्रिप्शन। क्लिनिकल ऑडियो के लिए `scribe_v2_medical` इस्तेमाल करें।
स्पीच टू टेक्स्ट, रियलटाइम	Scribe v2 Realtime	`scribe_v2_realtime`	90+ भाषाओं में ~150ms† लेटेंसी के साथ ट्रांसक्रिप्ट स्ट्रीम करता है।