> 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. # मॉडल्स > Learn about the models that power the ElevenLabs API. ## प्रमुख मॉडल्स ### टेक्स्ट टू स्पीच #### [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 ### स्पीच टू टेक्स्ट #### [Scribe v2](/docs/hi/overview/models#scribe-v2) अत्याधुनिक स्पीच रिकग्निशन मॉडल 90+ भाषाओं में सटीक transcription Keyterm prompting, 1000 तक terms Entity detection, 65 entity types प्राकृतिक भाषा के निर्देशों से transcript editing सटीक word-level timestamps Speaker diarization, 32 speakers तक Dynamic audio tagging Smart language detection #### [Scribe v2 Realtime](/docs/hi/overview/models#scribe-v2-realtime) रीयल-टाइम स्पीच रिकग्निशन मॉडल 90+ भाषाओं में सटीक transcription रीयल-टाइम transcription कम latency (\~150ms†) सटीक word-level timestamps Entity detection, 65 entity types प्राकृतिक भाषा के निर्देशों से transcript editing #### [Scribe v2 Medical](/docs/hi/overview/models#scribe-v2-medical) क्लिनिकल ऑडियो के लिए finetune किया गया स्पीच रिकग्निशन Scribe v2 की तुलना में क्लिनिकल ऑडियो पर 35% कम transcription errors रोज़मर्रा की स्पीच पर Scribe v2 जितनी ही सटीकता Scribe v2 जैसे ही features, भाषाएं, pricing और API ### संगीत #### [Eleven Music v2.5](/docs/hi/overview/models#eleven-music) हमारा सबसे उन्नत म्यूज़िक मॉडल बेहतर क्वालिटी और प्रॉम्प्ट के अनुसार नतीजे ज़्यादा समृद्ध धुनें, गहरे अरेंजमेंट और अधिक लेयर्ड इंस्ट्रूमेंट्स। वही वर्कफ़्लो और सपोर्ट: कंपोज़िशन प्लान, ऑडियो रेफ़रेंस और इनपेंटिंग #### [Eleven Music v2](/docs/hi/overview/models#eleven-music) किसी भी स्टाइल में प्राकृतिक भाषा के प्रॉम्प्ट के साथ स्टूडियो-ग्रेड म्यूज़िक जॉनर, स्टाइल और स्ट्रक्चर पर पूरा नियंत्रण वोकल्स या सिर्फ़ इंस्ट्रूमेंटल मल्टीलिंगुअल, जिसमें अंग्रेज़ी, स्पेनिश, जर्मन, जापानी और अन्य भाषाएं शामिल हैं अलग-अलग सेक्शन या पूरे गाने की साउंड और लिरिक्स एडिट करें [कीमतें](https://elevenlabs.io/pricing/api) ## मॉडल्स का अवलोकन ElevenLabs API अलग-अलग उपयोग के मामलों, क्वालिटी स्तरों और परफ़ॉर्मेंस ज़रूरतों के लिए ऑप्टिमाइज़ किए गए कई ऑडियो मॉडल देता है। | मॉडल ID | विवरण | भाषाएँ | | ---------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | `eleven_v4` | हमारा सबसे भावनात्मक रूप से समृद्ध और अभिव्यक्तिपूर्ण स्पीच सिंथेसिस मॉडल | [90+ भाषाएँ](/docs/hi/overview/models#supported-languages) | | `eleven_v4_turbo` | हमारा सबसे अभिव्यक्तिपूर्ण, रीयल-टाइम स्पीच सिंथेसिस मॉडल (\~100ms†) | [90+ भाषाएँ](/docs/hi/overview/models#supported-languages) | | `eleven_v3` | इंसान जैसी और अभिव्यक्तिपूर्ण स्पीच जनरेशन | [70+ भाषाएँ](/docs/hi/overview/models#supported-languages-2) | | `eleven_v3_conversational` | हमारा सबसे अभिव्यक्तिपूर्ण, रीयलटाइम स्पीच सिंथेसिस मॉडल (\~280ms†) | [70+ भाषाएँ](/docs/hi/overview/models#supported-languages-2) | | `eleven_ttv_v3` | इंसान जैसा और अभिव्यक्तिपूर्ण वॉइस डिज़ाइन मॉडल (टेक्स्ट टू वॉइस) | [70+ भाषाएँ](/docs/hi/overview/models#supported-languages-2) | | `eleven_multilingual_v2` | समृद्ध भावनात्मक अभिव्यक्ति वाला हमारा सजीव मॉडल | `en`, `ja`, `zh`, `de`, `hi`, `fr`, `ko`, `pt`, `it`, `es`, `id`, `nl`, `tr`, `fil`, `pl`, `sv`, `bg`, `ro`, `ar`, `cs`, `el`, `fi`, `hr`, `ms`, `sk`, `da`, `ta`, `uk`, `ru` | | `eleven_flash_v2_5` | रीयल-टाइम उपयोग के लिए ऑप्टिमाइज़ किया गया अल्ट्रा-फ़ास्ट मॉडल (\~75ms†) | सभी `eleven_multilingual_v2` भाषाएँ, साथ ही: `hu`, `no`, `vi` | | `eleven_flash_v2` | रीयल-टाइम उपयोग के लिए ऑप्टिमाइज़ किया गया अल्ट्रा-फ़ास्ट मॉडल (\~75ms†) | `en` | | `eleven_multilingual_sts_v2` | अत्याधुनिक बहुभाषी वॉइस चेंजर मॉडल (स्पीच टू स्पीच) | `en`, `ja`, `zh`, `de`, `hi`, `fr`, `ko`, `pt`, `it`, `es`, `id`, `nl`, `tr`, `fil`, `pl`, `sv`, `bg`, `ro`, `ar`, `cs`, `el`, `fi`, `hr`, `ms`, `sk`, `da`, `ta`, `uk`, `ru` | | `eleven_multilingual_ttv_v2` | अत्याधुनिक बहुभाषी वॉइस डिज़ाइनर मॉडल (टेक्स्ट टू वॉइस) | `en`, `ja`, `zh`, `de`, `hi`, `fr`, `ko`, `pt`, `it`, `es`, `id`, `nl`, `tr`, `fil`, `pl`, `sv`, `bg`, `ro`, `ar`, `cs`, `el`, `fi`, `hr`, `ms`, `sk`, `da`, `ta`, `uk`, `ru` | | `eleven_english_sts_v2` | केवल अंग्रेज़ी का वॉइस चेंजर मॉडल (स्पीच टू स्पीच) | `en` | | `scribe_v2_realtime` | रीयल-टाइम स्पीच रिकग्निशन मॉडल | [90+ भाषाएँ](/docs/hi/overview/capabilities/speech-to-text#supported-languages) | | `scribe_v2_medical` | क्लिनिकल ऑडियो के लिए फ़ाइन-ट्यून किया गया स्पीच रिकग्निशन | [90+ भाषाएँ](/docs/hi/overview/capabilities/speech-to-text#supported-languages) | | `scribe_v2` | अत्याधुनिक स्पीच रिकग्निशन मॉडल | [90+ भाषाएँ](/docs/hi/overview/capabilities/speech-to-text#supported-languages) | | `scribe_v2_medical` | मेडिकल और क्लिनिकल ऑडियो के लिए विशेष स्पीच रिकग्निशन मॉडल | [90+ भाषाएँ](/docs/hi/overview/capabilities/speech-to-text#supported-languages) | | `eleven_text_to_sound_v2` | टेक्स्ट प्रॉम्प्ट से साउंड इफेक्ट्स जनरेशन | लागू नहीं | | `music_v2_5` | हमारा सबसे उन्नत संगीत मॉडल। टेक्स्ट प्रॉम्प्ट, कंपोज़िशन प्लान और पहले बनाए गए गानों से स्टूडियो-ग्रेड जनरेशन, `music_v2` की तुलना में बेहतर क्वालिटी और प्रॉम्प्ट अनुपालन के साथ | `en`, `es`, `de`, `ja`, और अन्य | | `music_v2` | टेक्स्ट प्रॉम्प्ट, कंपोज़िशन प्लान और पहले बनाए गए गानों से स्टूडियो-ग्रेड संगीत जनरेशन | `en`, `es`, `de`, `ja`, और अन्य | | `music_v1` | टेक्स्ट प्रॉम्प्ट से स्टूडियो-ग्रेड संगीत जनरेशन। `music_v2` और `music_v2_5` से बेहतर मॉडल उपलब्ध हैं | `en`, `es`, `de`, `ja`, और अन्य | † ऐप्लिकेशन और नेटवर्क लेटेंसी शामिल नहीं है ### अप्रचलित मॉडल्स > **Warning** > > `eleven_turbo_v2_5` और `eleven_turbo_v2` मॉडल क्रमशः > `eleven_flash_v2_5` और `eleven_flash_v2` मॉडल के बराबर हैं, लेकिन Flash > मॉडल्स की औसत लेटेंसी कम है। हम सभी उपयोग के मामलों में Turbo मॉडल्स के बजाय Flash मॉडल्स इस्तेमाल करने की सलाह देते हैं। | मॉडल ID | विवरण | भाषाएँ | सुझाया गया प्रतिस्थापन मॉडल | | ------------------- | --------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------- | | `eleven_turbo_v2_5` | पहली पीढ़ी का कम-लेटेंसी मॉडल (Flash मॉडल्स से बेहतर मॉडल उपलब्ध हैं) | `en`, `ja`, `zh`, `de`, `hi`, `fr`, `ko`, `pt`, `it`, `es`, `id`, `nl`, `tr`, `fil`, `pl`, `sv`, `bg`, `ro`, `ar`, `cs`, `el`, `fi`, `hr`, `ms`, `sk`, `da`, `ta`, `uk`, `ru`, `hu`, `no`, `vi` | `eleven_flash_v2_5` | | `eleven_turbo_v2` | पहली पीढ़ी का कम-लेटेंसी मॉडल (Flash मॉडल्स से बेहतर मॉडल उपलब्ध हैं) | `en` | `eleven_flash_v2` | | `scribe_v1` | पहली पीढ़ी का स्पीच रिकग्निशन (v2 मॉडल्स से बेहतर मॉडल उपलब्ध हैं) | [90+ भाषाएँ](/docs/hi/overview/capabilities/speech-to-text#supported-languages) | `scribe_v2` | ## Eleven v4 Eleven v4 हमारा अत्याधुनिक स्पीच सिंथेसिस मॉडल है, जो हमारी सबसे उच्च क्वालिटी की ऑडियो, अभिव्यक्ति और वॉइस के प्रदर्शन पर नियंत्रण देता है। Eleven v4 लंबे टेक्स्ट जनरेशन में भरोसेमंद स्पीकर संरक्षण के साथ हाई-फिडेलिटी वॉइस क्लोनिंग को सपोर्ट करता है। यह मॉडल इन स्थितियों में अच्छा काम करता है: * **किरदारों के वॉइसओवर**: अपनी भावनात्मक रेंज के कारण गेमिंग और एनीमेशन के लिए आदर्श। * **भावनात्मक संवाद**: व्यापक भावनात्मक रेंज और संदर्भ की समझ के साथ स्वाभाविक, जीवंत संवाद जनरेट करें। * **ऑडियोबुक प्रोडक्शन**: जटिल भावनात्मक डिलीवरी वाले लंबे नैरेशन के लिए एकदम सही। * **बहुभाषी प्रोजेक्ट्स**: भाषाएँ बदलने पर भी एक जैसी वॉइस क्वालिटी बनाए रखता है। Eleven v4 [टेक्स्ट टू डायलॉग API](/docs/hi/api-reference/text-to-dialogue/convert) के ज़रिए उपलब्ध है। ### समर्थित भाषाएँ Eleven v4 मॉडल परिवार 90+ भाषाओं को सपोर्ट करता है, जिनमें शामिल हैं: *अफ़्रीकान्स (af), अरबी (ar), आर्मेनियाई (hy), असमिया (as), अस्तूरियाई (ast), अज़रबैजानी (az), बेलारूसी (be), बांग्ला (bn), बोस्नियाई (bs), बुल्गारियाई (bg), बर्मी (my), कैंटोनीज़ (yue), कैटलन (ca), सेबुआनो (ceb), क्रोएशियाई (hr), चेक (cs), डैनिश (da), डच (nl), अंग्रेज़ी (en), एस्टोनियाई (et), फ़िलिपीनो (fil), फ़िनिश (fi), फ़्रेंच (fr), गैलिशियन (gl), जॉर्जियाई (ka), जर्मन (de), ग्रीक (el), गुजराती (gu), हौसा (ha), हिब्रू (he), हिंदी (hi), हंगेरियन (hu), आइसलैंडिक (is), इंडोनेशियाई (id), आयरिश (ga), इतालवी (it), जापानी (ja), जावानीज़ (jv), कन्नड़ (kn), कज़ाख़ (kk), कोरियाई (ko), किर्गिज़ (ky), लातवियाई (lv), लिंगाला (ln), लिथुआनियाई (lt), लक्ज़मबर्गिश (lb), मैसेडोनियाई (mk), मलय (ms), मलयालम (ml), माल्टीज़ (mt), मंदारिन चीनी (zh), माओरी (mi), मराठी (mr), मंगोलियाई (mn), नेपाली (ne), नॉर्वेजियन (no), ऑक्सितान (oc), ओड़िया (or), पश्तो (ps), फ़ारसी (fa), पोलिश (pl), पुर्तगाली (pt), पंजाबी (pa), रोमानियाई (ro), रूसी (ru), सर्बियाई (sr), सिंधी (sd), स्लोवाक (sk), स्लोवेनियाई (sl), सोमाली (so), स्पैनिश (es), स्वाहिली (sw), स्वीडिश (sv), ताजिक (tg), तमिल (ta), तेलुगु (te), थाई (th), तुर्की (tr), यूक्रेनी (uk), उर्दू (ur), उज़्बेक (uz), वियतनामी (vi), वेल्श (cy), योरूबा (yo)।* > **Note** > > `language_code` पैरामीटर ज़्यादातर भाषाओं के लिए [ISO 639-1](https://en.wikipedia.org/wiki/ISO_639-1) > के दो-अक्षर वाले कोड स्वीकार करता है। जिन भाषाओं का ISO 639-1 कोड नहीं है, उनमें [ISO 639-3](https://en.wikipedia.org/wiki/ISO_639-3) के तीन-अक्षर वाले कोड इस्तेमाल होते हैं: अस्तूरियाई (`ast`), कैंटोनीज़ > (`yue`), सेबुआनो (`ceb`) और फ़िलिपीनो (`fil`)। ## Eleven v4 Turbo Eleven v4 Turbo रीयल-टाइम स्पीच सिंथेसिस के लिए हमारा अत्याधुनिक मॉडल है, जो उच्च क्वालिटी की ऑडियो, अभिव्यक्ति और वॉइस के प्रदर्शन पर नियंत्रण देता है। Eleven v4 Turbo हाई-फिडेलिटी वॉइस क्लोनिंग को सपोर्ट करता है और लगभग \~100ms की औसत अनुमान लेटेंसी में नतीजे देता है। यह मॉडल इन स्थितियों में अच्छा काम करता है: * **सपोर्ट एजेंट्स**: ऐसे वॉइस एजेंट्स को शक्ति दें जो ग्राहकों के सवालों को रीयलटाइम में हल करें। * **AI असिस्टेंट्स**: व्यापक भावनात्मक रेंज और संदर्भ की समझ के साथ स्वाभाविक, जीवंत संवाद जनरेट करें। * **इंटरैक्टिव किरदार**: अभिव्यक्तिपूर्ण किरदारों वाले ऑडियो अनुभवों के लिए बेहतरीन। Eleven v4 Turbo [टेक्स्ट टू डायलॉग वेबस्कॉकेट](/docs/hi/eleven-api/guides/how-to/websockets/realtime-tdd) के ज़रिए उपलब्ध है। ### समर्थित भाषाएँ Eleven v4 मॉडल परिवार 90+ भाषाओं को सपोर्ट करता है, जिनमें शामिल हैं: *अफ़्रीकान्स (af), अरबी (ar), आर्मेनियाई (hy), असमिया (as), अस्तूरियाई (ast), अज़रबैजानी (az), बेलारूसी (be), बांग्ला (bn), बोस्नियाई (bs), बुल्गारियाई (bg), बर्मी (my), कैंटोनीज़ (yue), कैटलन (ca), सेबुआनो (ceb), क्रोएशियाई (hr), चेक (cs), डैनिश (da), डच (nl), अंग्रेज़ी (en), एस्टोनियाई (et), फ़िलिपीनो (fil), फ़िनिश (fi), फ़्रेंच (fr), गैलिशियन (gl), जॉर्जियाई (ka), जर्मन (de), ग्रीक (el), गुजराती (gu), हौसा (ha), हिब्रू (he), हिंदी (hi), हंगेरियन (hu), आइसलैंडिक (is), इंडोनेशियाई (id), आयरिश (ga), इतालवी (it), जापानी (ja), जावानीज़ (jv), कन्नड़ (kn), कज़ाख़ (kk), कोरियाई (ko), किर्गिज़ (ky), लातवियाई (lv), लिंगाला (ln), लिथुआनियाई (lt), लक्ज़मबर्गिश (lb), मैसेडोनियाई (mk), मलय (ms), मलयालम (ml), माल्टीज़ (mt), मंदारिन चीनी (zh), माओरी (mi), मराठी (mr), मंगोलियाई (mn), नेपाली (ne), नॉर्वेजियन (no), ऑक्सितान (oc), ओड़िया (or), पश्तो (ps), फ़ारसी (fa), पोलिश (pl), पुर्तगाली (pt), पंजाबी (pa), रोमानियाई (ro), रूसी (ru), सर्बियाई (sr), सिंधी (sd), स्लोवाक (sk), स्लोवेनियाई (sl), सोमाली (so), स्पैनिश (es), स्वाहिली (sw), स्वीडिश (sv), ताजिक (tg), तमिल (ta), तेलुगु (te), थाई (th), तुर्की (tr), यूक्रेनी (uk), उर्दू (ur), उज़्बेक (uz), वियतनामी (vi), वेल्श (cy), योरूबा (yo)।* > **Note** > > `language_code` पैरामीटर ज़्यादातर भाषाओं के लिए [ISO 639-1](https://en.wikipedia.org/wiki/ISO_639-1) > के दो-अक्षर वाले कोड स्वीकार करता है। जिन भाषाओं का ISO 639-1 कोड नहीं है, उनमें [ISO 639-3](https://en.wikipedia.org/wiki/ISO_639-3) के तीन-अक्षर वाले कोड इस्तेमाल होते हैं: अस्तूरियाई (`ast`), कैंटोनीज़ > (`yue`), सेबुआनो (`ceb`) और फ़िलिपीनो (`fil`)। ## Eleven v3 Eleven v3 हमारी पिछली पीढ़ी का स्पीच सिंथेसिस मॉडल है, जो कई भाषाओं में व्यापक भावनात्मक रेंज और संदर्भ की समझ के साथ स्वाभाविक, जीवंत स्पीच तैयार करता है। Eleven v3 के साथ नया टेक्स्ट टू डायलॉग API आता है, जिससे आप कई भाषाओं में व्यापक भावनात्मक रेंज और संदर्भ की समझ के साथ स्वाभाविक, जीवंत संवाद जनरेट कर सकते हैं। Eleven v3 का इस्तेमाल टेक्स्ट टू स्पीच API के साथ भी किया जा सकता है, ताकि कई भाषाओं में व्यापक भावनात्मक रेंज और संदर्भ की समझ के साथ स्वाभाविक, जीवंत स्पीच जनरेट की जा सके। टेक्स्ट टू डायलॉग API के बारे में [यहाँ](/docs/hi/overview/capabilities/text-to-dialogue) और पढ़ें। ### समर्थित भाषाएँ Eleven v3 मॉडल 70+ भाषाओं को सपोर्ट करता है, जिनमें शामिल हैं: *अफ़्रीकान्स (af), अरबी (ar), आर्मेनियाई (hy), असमिया (as), अस्तूरियाई (ast), अज़रबैजानी (az), बेलारूसी (be), बांग्ला (bn), बोस्नियाई (bs), बुल्गारियाई (bg), बर्मी (my), कैंटोनीज़ (yue), कैटलन (ca), सेबुआनो (ceb), चिचेवा (ny), क्रोएशियाई (hr), चेक (cs), डैनिश (da), डच (nl), अंग्रेज़ी (en), एस्टोनियाई (et), फ़िलिपीनो (fil), फ़िनिश (fi), फ़्रेंच (fr), गैलिशियन (gl), जॉर्जियाई (ka), जर्मन (de), ग्रीक (el), गुजराती (gu), हौसा (ha), हिब्रू (he), हिंदी (hi), हंगेरियन (hu), आइसलैंडिक (is), इंडोनेशियाई (id), आयरिश (ga), इतालवी (it), जापानी (ja), जावानीज़ (jv), कन्नड़ (kn), कज़ाख़ (kk), किर्गिज़ (ky), कोरियाई (ko), लातवियाई (lv), लिंगाला (ln), लिथुआनियाई (lt), लक्ज़मबर्गिश (lb), मैसेडोनियाई (mk), मलय (ms), मलयालम (ml), माल्टीज़ (mt), मंदारिन चीनी (zh), माओरी (mi), मराठी (mr), मंगोलियाई (mn), नेपाली (ne), नॉर्वेजियन (no), ऑक्सितान (oc), ओड़िया (or), पश्तो (ps), फ़ारसी (fa), पोलिश (pl), पुर्तगाली (pt), पंजाबी (pa), रोमानियाई (ro), रूसी (ru), सर्बियाई (sr), सिंधी (sd), स्लोवाक (sk), स्लोवेनियाई (sl), सोमाली (so), स्पैनिश (es), स्वाहिली (sw), स्वीडिश (sv), ताजिक (tg), तमिल (ta), तेलुगु (te), थाई (th), तुर्की (tr), यूक्रेनी (uk), उर्दू (ur), उज़्बेक (uz), वियतनामी (vi), वेल्श (cy), योरूबा (yo)।* > **Note** > > `language_code` पैरामीटर ज़्यादातर भाषाओं के लिए [ISO 639-1](https://en.wikipedia.org/wiki/ISO_639-1) > के दो-अक्षर वाले कोड स्वीकार करता है। जिन भाषाओं का ISO 639-1 कोड नहीं है, उनमें [ISO 639-3](https://en.wikipedia.org/wiki/ISO_639-3) के तीन-अक्षर वाले कोड इस्तेमाल होते हैं: अस्तूरियाई (`ast`), कैंटोनीज़ > (`yue`), सेबुआनो (`ceb`) और फ़िलिपीनो (`fil`)। ## Eleven v3 Conversational Eleven v3 Conversational रीयलटाइम स्पीच सिंथेसिस के लिए हमारी पिछली पीढ़ी का मॉडल है। यह कई भाषाओं में व्यापक भावनात्मक रेंज और संदर्भ की समझ के साथ स्वाभाविक, जीवंत स्पीच तैयार करता है। Eleven v3 Conversational के साथ नया टेक्स्ट टू डायलॉग WebSocket आता है, जिससे आप कई भाषाओं में व्यापक भावनात्मक रेंज और संदर्भ की समझ के साथ स्वाभाविक, जीवंत संवाद जनरेट कर सकते हैं। Eleven v3 Conversational के साथ नया टेक्स्ट टू डायलॉग WebSocket आता है, जिससे आप कई भाषाओं में व्यापक भावनात्मक रेंज और संदर्भ की समझ के साथ स्वाभाविक, जीवंत संवाद जनरेट कर सकते हैं। टेक्स्ट टू डायलॉग WebSocket के बारे में [यहाँ](/docs/hi/eleven-api/guides/how-to/websockets/realtime-tdd) और पढ़ें। ### समर्थित भाषाएँ Eleven v3 मॉडल 70+ भाषाओं को सपोर्ट करता है, जिनमें शामिल हैं: *अफ़्रीकान्स (af), अरबी (ar), आर्मेनियाई (hy), असमिया (as), अस्तूरियाई (ast), अज़रबैजानी (az), बेलारूसी (be), बांग्ला (bn), बोस्नियाई (bs), बुल्गारियाई (bg), बर्मी (my), कैंटोनीज़ (yue), कैटलन (ca), सेबुआनो (ceb), चिचेवा (ny), क्रोएशियाई (hr), चेक (cs), डैनिश (da), डच (nl), अंग्रेज़ी (en), एस्टोनियाई (et), फ़िलिपीनो (fil), फ़िनिश (fi), फ़्रेंच (fr), गैलिशियन (gl), जॉर्जियाई (ka), जर्मन (de), ग्रीक (el), गुजराती (gu), हौसा (ha), हिब्रू (he), हिंदी (hi), हंगेरियन (hu), आइसलैंडिक (is), इंडोनेशियाई (id), आयरिश (ga), इतालवी (it), जापानी (ja), जावानीज़ (jv), कन्नड़ (kn), कज़ाख़ (kk), किर्गिज़ (ky), कोरियाई (ko), लातवियाई (lv), लिंगाला (ln), लिथुआनियाई (lt), लक्ज़मबर्गिश (lb), मैसेडोनियाई (mk), मलय (ms), मलयालम (ml), माल्टीज़ (mt), मंदारिन चीनी (zh), माओरी (mi), मराठी (mr), मंगोलियाई (mn), नेपाली (ne), नॉर्वेजियन (no), ऑक्सितान (oc), ओड़िया (or), पश्तो (ps), फ़ारसी (fa), पोलिश (pl), पुर्तगाली (pt), पंजाबी (pa), रोमानियाई (ro), रूसी (ru), सर्बियाई (sr), सिंधी (sd), स्लोवाक (sk), स्लोवेनियाई (sl), सोमाली (so), स्पैनिश (es), स्वाहिली (sw), स्वीडिश (sv), ताजिक (tg), तमिल (ta), तेलुगु (te), थाई (th), तुर्की (tr), यूक्रेनी (uk), उर्दू (ur), उज़्बेक (uz), वियतनामी (vi), वेल्श (cy), योरूबा (yo)।* > **Note** > > `language_code` पैरामीटर ज़्यादातर भाषाओं के लिए [ISO 639-1](https://en.wikipedia.org/wiki/ISO_639-1) > के दो-अक्षर वाले कोड स्वीकार करता है। जिन भाषाओं का ISO 639-1 कोड नहीं है, उनमें [ISO 639-3](https://en.wikipedia.org/wiki/ISO_639-3) के तीन-अक्षर वाले कोड इस्तेमाल होते हैं: अस्तूरियाई (`ast`), कैंटोनीज़ > (`yue`), सेबुआनो (`ceb`) और फ़िलिपीनो (`fil`)। ## Multilingual v2 Eleven Multilingual v2 हमारी पिछली पीढ़ी का भावनात्मक समझ वाला स्पीच सिंथेसिस मॉडल है। यह कई भाषाओं में व्यापक भावनात्मक रेंज और संदर्भ की समझ के साथ स्वाभाविक, जीवंत स्पीच तैयार करता है। यह मॉडल सभी समर्थित भाषाओं में वॉइस की एक जैसी क्वालिटी और व्यक्तित्व बनाए रखता है, साथ ही स्पीकर की विशिष्ट विशेषताओं और लहजे को भी बरकरार रखता है। यह मॉडल उन स्थितियों में बेहतरीन है, जहाँ उच्च क्वालिटी की भावनात्मक रूप से सूक्ष्म स्पीच चाहिए: * **किरदारों के वॉइसओवर**: अपनी भावनात्मक रेंज के कारण गेमिंग और एनीमेशन के लिए आदर्श। * **प्रोफ़ेशनल कंटेंट**: कॉर्पोरेट वीडियो और ई-लर्निंग सामग्री के लिए उपयुक्त। * **बहुभाषी प्रोजेक्ट्स**: भाषाएँ बदलने पर भी एक जैसी वॉइस क्वालिटी बनाए रखता है। * **स्थिर क्वालिटी**: एक जैसा, उच्च-क्वालिटी ऑडियो आउटपुट देता है। हालाँकि Flash मॉडल्स की तुलना में इसकी प्रति कैरेक्टर लेटेंसी और लागत ज़्यादा है, लेकिन जिन प्रोजेक्ट्स में जीवंत स्पीच अहम है, उनके लिए यह बेहतर क्वालिटी देता है। 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 Eleven Flash v2.5 हमारा सबसे तेज़ स्पीच सिंथेसिस मॉडल है, जिसे रीयल-टाइम ऐप्लिकेशन और Agents Platform के लिए डिज़ाइन किया गया है। यह 32 भाषाओं में बेहद कम लेटेंसी (\~75ms†) के साथ उच्च-क्वालिटी स्पीच देता है। यह मॉडल गति और क्वालिटी के बीच संतुलन बनाता है, इसलिए इंटरैक्टिव ऐप्लिकेशन के लिए आदर्श है। साथ ही, यह स्वाभाविक आउटपुट और भाषाओं के बीच वॉइस की एक जैसी विशेषताएँ बनाए रखता है। यह मॉडल खास तौर पर इनके लिए उपयुक्त है: * **Agents Platform**: रीयल-टाइम वॉइस एजेंट्स और चैटबॉट्स के लिए एकदम सही। * **इंटरैक्टिव ऐप्लिकेशन**: ऐसे गेम्स और ऐप्लिकेशन के लिए आदर्श जिन्हें तुरंत जवाब चाहिए। * **बड़े स्तर पर प्रोसेसिंग**: बड़े पैमाने पर टेक्स्ट-टू-स्पीच कन्वर्ज़न के लिए कुशल। API जनरेशन के लिए इसकी कम कीमत और 75ms लेटेंसी के कारण, Flash v2.5 कई भाषाओं में तेज़ और भरोसेमंद स्पीच सिंथेसिस चाहने वाले हर व्यक्ति के लिए किफ़ायती विकल्प है। Flash v2.5, v2 मॉडल्स की सभी भाषाओं के साथ-साथ 32 भाषाओं को support करता है: *हंगेरियन, नॉर्वेजियन और वियतनामी* † ऐप्लिकेशन और नेटवर्क लेटेंसी शामिल नहीं है ### ध्यान देने योग्य बातें #### नंबरों के साथ टेक्स्ट नॉर्मलाइज़ेशन Flash v2.5 इस्तेमाल करते समय, नंबरों को डिफ़ॉल्ट रूप से शायद आपकी अपेक्षा के अनुसार नॉर्मलाइज़ नहीं किया जाता। उदाहरण के लिए, फ़ोन नंबर ऐसे पढ़े जा सकते हैं जो यूज़र के लिए स्पष्ट न हों। तारीखों और मुद्राओं पर भी ऐसा ही असर पड़ता है। कम लेटेंसी बनाए रखने के लिए Flash v2.5 में डिफ़ॉल्ट रूप से नॉर्मलाइज़ेशन बंद होता है। हालांकि, Enterprise ग्राहक अब अपने अनुरोध में `apply_text_normalization` पैरामीटर को "on" सेट करके v2.5 मॉडल्स के लिए टेक्स्ट नॉर्मलाइज़ेशन चालू कर सकते हैं। Multilingual v2 मॉडल नंबरों को नॉर्मलाइज़ करने का बेहतर काम करता है, इसलिए हम फ़ोन नंबरों और ऐसे अन्य मामलों में इसका इस्तेमाल करने की सलाह देते हैं जहाँ नंबर नॉर्मलाइज़ेशन ज़रूरी है। कम-लेटेंसी या Agents Platform ऐप्लिकेशन के लिए, सबसे अच्छा तरीका है कि टेक्स्ट को TTS मॉडल को भेजने से पहले आपका LLM [नॉर्मलाइज़ करे](/docs/hi/overview/capabilities/text-to-speech/best-practices#text-normalization), या `apply_text_normalization` पैरामीटर इस्तेमाल करें (v2.5 मॉडल्स के लिए केवल Enterprise प्लान में)। ## मॉडल चुनने की गाइड आपकी ज़रूरतों और उपयोग के मामले के लिए कौन-सा मॉडल सबसे सही है, यह जानने के लिए [मॉडल चुनने की गाइड](/docs/hi/eleven-api/choosing-the-right-model) देखें। #### ज़रूरतें #### क्वालिटी `eleven_v4` या `eleven_multilingual_v2` इस्तेमाल करें समृद्ध भावनात्मक अभिव्यक्ति के साथ हाई-फिडेलिटी ऑडियो आउटपुट के लिए सबसे अच्छा #### कम लेटेंसी `eleven_v4_turbo` इस्तेमाल करें रीयल-टाइम ऐप्लिकेशन के लिए ऑप्टिमाइज़्ड (\~100ms लेटेंसी) #### उपयोग का मामला #### कंटेंट बनाना `eleven_v4` या `eleven_multilingual_v2` इस्तेमाल करें पेशेवर कंटेंट, ऑडियोबुक और वीडियो नैरेशन के लिए आदर्श। #### एजेंट्स प्लेटफ़ॉर्म `eleven_v4_turbo`, `eleven_flash_v2_5`, `eleven_flash_v2` या `eleven_multilingual_v2` इस्तेमाल करें रीयल-टाइम बातचीत वाले ऐप्लिकेशन के लिए बेहतरीन। सबसे भावपूर्ण डिलीवरी के लिए `eleven_v4_turbo` इस्तेमाल करें। #### वॉइस चेंजर `eleven_multilingual_sts_v2` इस्तेमाल करें स्पीच-टू-स्पीच कन्वर्ज़न के लिए विशेष रूप से बनाया गया ## कैरेक्टर सीमाएं एक टेक्स्ट-टू-स्पीच रिक्वेस्ट में समर्थित कैरेक्टर की अधिकतम संख्या मॉडल के अनुसार अलग-अलग होती है। | मॉडल ID | कैरेक्टर सीमा | अनुमानित ऑडियो अवधि | | ------------------------ | ------------- | ------------------- | | `eleven_v4` | 10,000 | \~10 मिनट | | `eleven_v3` | 5,000 | \~5 मिनट | | `eleven_flash_v2_5` | 40,000 | \~40 मिनट | | `eleven_flash_v2` | 30,000 | \~30 मिनट | | `eleven_multilingual_v2` | 10,000 | \~10 मिनट | | `eleven_multilingual_v1` | 10,000 | \~10 मिनट | | `eleven_english_sts_v2` | 10,000 | \~10 मिनट | | `eleven_english_sts_v1` | 10,000 | \~10 मिनट | > **Note** > > लंबे कंटेंट के लिए, इनपुट को कई रिक्वेस्ट में बांटने पर विचार करें। ## Scribe v2 Scribe v2 हमारा अत्याधुनिक स्पीच रिकग्निशन मॉडल है, जिसे 90+ भाषाओं में सटीक ट्रांसक्रिप्शन के लिए डिज़ाइन किया गया है। यह शब्द-स्तर के सटीक टाइमस्टैम्प और स्पीकर डायराइज़ेशन व डायनामिक ऑडियो टैगिंग जैसी उन्नत सुविधाएं देता है। यह मॉडल उन स्थितियों में बेहतरीन है जहां सटीक स्पीच-टू-टेक्स्ट कन्वर्ज़न की ज़रूरत होती है: * **ट्रांसक्रिप्शन सेवाएं**: ऑडियो/वीडियो कंटेंट को टेक्स्ट में बदलने के लिए बेहतरीन * **मीटिंग डॉक्यूमेंटेशन**: बातचीत को कैप्चर और डॉक्यूमेंट करने के लिए आदर्श * **कंटेंट विश्लेषण**: ऑडियो कंटेंट की प्रोसेसिंग और विश्लेषण के लिए उपयुक्त * **बहुभाषी पहचान**: 90+ भाषाओं में सटीक ट्रांसक्रिप्शन का समर्थन मुख्य सुविधाएं: * शब्द-स्तर के टाइमस्टैम्प के साथ सटीक ट्रांसक्रिप्शन * कई स्पीकर वाले ऑडियो के लिए स्पीकर डायराइज़ेशन * बेहतर संदर्भ के लिए डायनामिक ऑडियो टैगिंग * 90+ भाषाओं का समर्थन * एंटिटी डिटेक्शन * कीटर्म प्रॉम्प्टिंग * ट्रांसक्रिप्ट एडिटिंग Scribe v2 के बारे में ज़्यादा [यहां](/docs/hi/overview/capabilities/speech-to-text) पढ़ें। ## Scribe v2 Realtime Scribe v2 Realtime, हमारा सबसे तेज़ और सबसे सटीक लाइव स्पीच रिकग्निशन मॉडल, बेहद कम 150ms लेटेंसी के साथ 90 से ज़्यादा भाषाओं में अत्याधुनिक सटीकता देता है। यह मॉडल बातचीत वाले उपयोग के मामलों में बेहतरीन है: * **लाइव मीटिंग ट्रांसक्रिप्शन**: रीयल-टाइम ट्रांसक्रिप्शन के लिए बेहतरीन * **AI एजेंट्स**: लाइव बातचीत के लिए आदर्श * **बहुभाषी पहचान**: ऑटोमैटिक भाषा पहचान के साथ 90+ भाषाओं में सटीक ट्रांसक्रिप्शन का समर्थन मुख्य सुविधाएं: * बेहद कम लेटेंसी: \~150 मिलीसेकंड में आंशिक ट्रांसक्रिप्शन पाएं * स्ट्रीमिंग समर्थन: रीयल-टाइम में ट्रांसक्रिप्ट पाते हुए ऑडियो को हिस्सों में भेजें * कई ऑडियो फ़ॉर्मैट: PCM (8kHz से 48kHz) और μ-law एन्कोडिंग का समर्थन * वॉइस एक्टिविटी डिटेक्शन (VAD): साइलेंस डिटेक्शन के आधार पर ऑटोमैटिक स्पीच सेगमेंटेशन * मैनुअल कमिट कंट्रोल: ट्रांसक्रिप्ट सेगमेंट को कब फ़ाइनल करना है, इस पर पूरा नियंत्रण * एंटिटी डिटेक्शन * ट्रांसक्रिप्ट एडिटिंग Scribe v2 Realtime के बारे में ज़्यादा [यहां](/docs/hi/overview/capabilities/speech-to-text) पढ़ें। ## Scribe v2 Medical Scribe v2 Medical मेडिकल और क्लिनिकल ऑडियो के लिए विशेष रूप से बनाया गया बैच स्पीच रिकग्निशन मॉडल है। यह Scribe v2 का एक फाइनट्यून है, जो रोज़मर्रा की बातचीत में Scribe v2 की सटीकता बनाए रखते हुए दवाओं के नाम, शरीर रचना, पैथोलॉजी और क्लिनिकल डिक्टेशन की पहचान बेहतर करता है। यह Scribe v2 के समान स्पीच टू टेक्स्ट API इस्तेमाल करता है और इसकी कीमत भी समान है। `model_id` के रूप में `scribe_v2_medical` भेजें। > **Note** > > ### उद्देश्य > > Scribe v2 Medical डेवलपर्स और संगठनों के लिए एक बैच स्पीच-टू-टेक्स्ट API मॉडल है, > जिसे वे ऐसे ऐप्लिकेशन में इंटीग्रेट कर सकते हैं जो क्लिनिकल ऑडियो—जिसमें > क्लिनिशियन-मरीज़ की बातचीत, डिक्टेशन, इंटेक और केयर-कोऑर्डिनेशन कॉल शामिल हैं—को > डॉक्यूमेंटेशन और संबंधित एडमिनिस्ट्रेटिव वर्कफ़्लो के लिए ड्राफ़्ट ट्रांसक्रिप्ट में बदलते हैं। तैयार टेक्स्ट > इस्तेमाल से पहले किसी हेल्थकेयर प्रोफेशनल या अन्य अधिकृत यूज़र द्वारा रिव्यू और सुधार के लिए है। Scribe > v2 Medical का उद्देश्य क्लिनिकल जानकारी की व्याख्या करना या निदान, उपचार > सुझाव, क्लिनिकल निर्णय या अन्य क्लिनिकल मार्गदर्शन देना नहीं है। यह मॉडल इनके लिए उपयुक्त है: * **क्लिनिकल डॉक्यूमेंटेशन**: बातचीत के दौरान मेडिकल शब्द आने वाले एम्बिएंट एनकाउंटर और नोट्स * **डिक्टेशन**: दवाओं, डोज़ और निष्कर्षों के घने क्रम * **इंटेक और कोऑर्डिनेशन कॉल**: मरीज़ अपनी स्थितियों का वर्णन करते हैं, अक्सर फ़ोन पर * **कंप्लायंस वर्कफ़्लो**: PHI कैटेगरी के लिए [एंटिटी डिटेक्शन](/docs/hi/eleven-api/guides/how-to/speech-to-text/batch/entity-detection) के साथ इस्तेमाल करें मुख्य सुविधाएं: * Scribe v2 जैसा ही रिक्वेस्ट फ़ॉर्मैट (`keyterms`, `entity_detection`, `no_verbatim`, डायराइज़ेशन, टाइमस्टैम्प) * दवाओं के नाम, शरीर रचना और पैथोलॉजी शब्दों की बेहतर पहचान * Scribe v2 की तुलना में रोज़मर्रा की बातचीत पर कोई सटीकता कमी नहीं * 90+ भाषाओं का समर्थन * कई स्पीकर वाले ऑडियो के लिए स्पीकर डायराइज़ेशन * डायनामिक ऑडियो टैगिंग * PHI कैटेगरी समेत एंटिटी डिटेक्शन Scribe v2 Medical एक बैच मॉडल है। लाइव ट्रांसक्रिप्शन के लिए Scribe v2 Realtime इस्तेमाल करें। Scribe v2 Medical HIPAA के लिए योग्य है। Enterprise ग्राहकों के लिए बिज़नेस एसोसिएट एग्रीमेंट और ज़ीरो रिटेंशन मोड (ZRM) उपलब्ध हैं। ZRM सक्षम होने पर, हर रिक्वेस्ट पूरी होते ही ऑडियो इनपुट और टेक्स्ट आउटपुट हटा दिए जाते हैं। ElevenLabs कुछ भी रिटेन नहीं करता और आपका ऐप्लिकेशन पूरा API रिस्पॉन्स पाता है तथा आपके अपने नियंत्रणों के तहत ट्रांसक्रिप्ट रिटेन करता है। > **Info** > > HIPAA अनुपालन की ज़रूरत वाली कंपनियों को सुरक्षित स्वास्थ्य जानकारी भेजने से पहले बिज़नेस एसोसिएट एग्रीमेंट (BAA) पर हस्ताक्षर करने के लिए [ElevenLabs Sales](https://elevenlabs.io/contact-sales) से संपर्क करना होगा। स्पीच टू टेक्स्ट के बारे में ज़्यादा [यहां](/docs/hi/overview/capabilities/speech-to-text) पढ़ें। ## Eleven Music Eleven Music हमारा स्टूडियो-ग्रेड म्यूज़िक जनरेशन मॉडल है। यह आपको किसी भी स्टाइल में नेचुरल लैंग्वेज प्रॉम्प्ट के साथ संगीत बनाने देता है। यह मॉडल इन स्थितियों के लिए बेहतरीन है: * **गेम साउंडट्रैक**: गेम्स के लिए इमर्सिव साउंडट्रैक बनाएं * **पॉडकास्ट बैकग्राउंड**: प्रोफेशनल संगीत से पॉडकास्ट को बेहतर बनाएं * **मार्केटिंग**: ऐड रील्स में बैकग्राउंड म्यूज़िक जोड़ें मुख्य सुविधाएं: * जॉनर, स्टाइल और स्ट्रक्चर पर पूरा नियंत्रण * वोकल्स या सिर्फ़ इंस्ट्रुमेंटल * अंग्रेज़ी, स्पैनिश, जर्मन, जापानी और अन्य भाषाओं सहित बहुभाषी * अलग-अलग सेक्शन या पूरे गाने की ध्वनि और लिरिक्स एडिट करें Eleven Music के बारे में ज़्यादा [यहां](/docs/hi/overview/capabilities/music) पढ़ें। ## समवर्ती अनुरोध और प्राथमिकता आपकी सब्सक्रिप्शन योजना तय करती है कि कितने अनुरोध एक साथ प्रोसेस किए जा सकते हैं और क्यू में आपके अनुरोधों की प्राथमिकता क्या होगी। स्पीच टू टेक्स्ट की समवर्ती अनुरोध सीमा अधिक है। समवर्ती अनुरोध सीमा पूरी होने पर, बाद के अनुरोध कम-प्राथमिकता वाले अनुरोधों के साथ क्यू में प्रोसेस किए जाते हैं। व्यवहार में, इससे आमतौर पर केवल \~50ms की लेटेंसी जुड़ती है। | योजना | समवर्ती अनुरोध सीमा (मल्टीलिंगुअल v2) | समवर्ती अनुरोध सीमा (Flash) | STT समवर्ती अनुरोध सीमा | रीयलटाइम STT समवर्ती अनुरोध सीमा | Music समवर्ती अनुरोध सीमा | प्राथमिकता स्तर | | ---------- | -------------------------------------- | ---------------------------- | ----------------------- | -------------------------------- | ------------------------- | --------------- | | मुफ़्त | 2 | 4 | 8 | 6 | 0 | 3 | | Starter | 3 | 6 | 12 | 9 | 2 | 4 | | Creator | 5 | 10 | 20 | 15 | 2 | 5 | | Pro | 10 | 20 | 40 | 30 | 2 | 5 | | Scale | 15 | 30 | 60 | 45 | 5 | 5 | | Business | 15 | 30 | 60 | 45 | 5 | 5 | | Enterprise | अधिक | अधिक | अधिक | अधिक | उच्चतम | 6 | > **Note** > > स्टार्टअप ग्रांट पाने वालों को Scale स्तर के लाभ मिलते हैं। रिस्पॉन्स हेडर में `current-concurrent-requests` और `maximum-concurrent-requests` शामिल होते हैं, जिनका इस्तेमाल करके आप अपने समवर्ती अनुरोधों को मॉनिटर कर सकते हैं। ### प्रति मिनट API अनुरोध बनाम समवर्ती अनुरोध यह समझना ज़रूरी है कि **प्रति मिनट API अनुरोध** और **समवर्ती अनुरोध** अलग-अलग मेट्रिक हैं, जो आपके इस्तेमाल के पैटर्न पर निर्भर करते हैं। प्रति मिनट API अनुरोध समवर्ती अनुरोधों से अलग हो सकते हैं, क्योंकि यह हर अनुरोध में लगने वाले समय और अनुरोधों को बैच करने के तरीके पर निर्भर करता है। **उदाहरण 1: अंतराल वाले अनुरोध** अगर आपके पास प्रति मिनट 180 अनुरोध हों, जिनमें से हर एक को पूरा होने में 1 सेकंड लगता हो और आप उन्हें 0.33 सेकंड के अंतराल पर भेजें, तो अधिकतम समवर्ती अनुरोध 3 और औसत भी 3 होगा, क्योंकि हमेशा 3 अनुरोध प्रगति पर होंगे। **उदाहरण 2: बैच किए गए अनुरोध** वहीं, अगर आपका इस्तेमाल पैटर्न अलग हो, जैसे प्रति मिनट 180 अनुरोध, जिनमें से हर एक को पूरा होने में 3 सेकंड लगते हों, लेकिन सभी एक साथ भेजे जाएं, तो अधिकतम समवर्ती अनुरोध 180 और औसत 9 होगा (मिनट के पहले 3 सेकंड में एक साथ 180 अनुरोध आएंगे, अंतिम 57 सेकंड में 0 अनुरोध आएंगे)। चूंकि हमारा सिस्टम समवर्ती अनुरोधों पर ध्यान देता है, इसलिए प्रति मिनट अनुरोधों की संख्या से ज़्यादा अहम यह है कि प्रत्येक अनुरोध में कितना समय लगता है और उन्हें किस पैटर्न में भेजा जाता है। एंडपॉइंट अनुरोध करने का तरीका समवर्ती अनुरोध सीमाओं को प्रभावित करता है: * HTTP में, हर अनुरोध आपकी समवर्ती अनुरोध सीमा में अलग-अलग गिना जाता है। * टेक्स्ट टू स्पीच WebSocket में, केवल वह समय आपकी समवर्ती अनुरोध सीमा में गिना जाता है जब हमारा मॉडल ऑडियो जनरेट कर रहा होता है। यानी, ज़्यादातर समय खुला websocket आपकी समवर्ती अनुरोध सीमा में बिल्कुल नहीं गिना जाता। * टेक्स्ट टू डायलॉग WebSockets अलग तरह से काम करते हैं: हर खुला कनेक्शन, खुले रहने तक एक अलग पूल से एक डायलॉग सेशन आरक्षित रखता है और कनेक्शन पर जनरेट किया गया ऑडियो आपकी मानक समवर्ती अनुरोध सीमा में नहीं गिना जाता। इसे समझना आसान बनाने के लिए डिज़ाइन किया गया है: एक कनेक्शन एक सेशन होता है और आपकी डायलॉग सेशन सीमाएं इस नई समवर्ती अनुरोध पद्धति के अनुसार तय की गई हैं। [टेक्स्ट टू डायलॉग समवर्ती अनुरोध](#text-to-dialogue-concurrency) देखें। ### समवर्ती अनुरोध सीमाओं को समझना आपकी योजना से जुड़ी समवर्ती अनुरोध सीमा को एक साथ संभाली जा सकने वाली बातचीत, फ़ोन कॉल, कैरेक्टर वॉइसओवर आदि की अधिकतम संख्या नहीं समझना चाहिए। वास्तविक संख्या कई कारकों पर निर्भर करती है, जिनमें इस्तेमाल की जाने वाली खास AI वॉइस और उपयोग के मामले की विशेषताएं शामिल हैं। सामान्य तौर पर, 5 की समवर्ती अनुरोध सीमा आमतौर पर लगभग 100 एक साथ ऑडियो ब्रॉडकास्ट को सपोर्ट कर सकती है। ऐसा इसलिए है क्योंकि ऑडियो जनरेट होने की गति, TTS अनुरोध प्रोसेस होने में लगने वाले समय की तुलना में अलग होती है। नीचे दिया गया डायग्राम दिखाता है कि अलग-अलग यूज़र्स के साथ 4 समवर्ती कॉल कैसे केवल 2 समवर्ती अनुरोधों के साथ की जा सकती हैं। ![समवर्ती अनुरोध सीमाएं](/docs/_fern-img/dcc5e3bd18993a9f862bd526f3dc1b32cfa89003a58ded6f4f6a7bda1bd5a2ea.webp) #### AI वॉइस एजेंट बनाना जहां संवाद के लिए TTS इस्तेमाल किया जाता है, वहां 5 की समवर्ती अनुरोध सीमा AI एजेंट और मानव प्रतिभागियों के बीच संतुलित बातचीत के लिए लगभग 100 ब्रॉडकास्ट को सपोर्ट कर सकती है। जिन उपयोग के मामलों में AI एजेंट इंसान की तुलना में कम बोलता है, जैसे कस्टमर सपोर्ट इंटरैक्शन, वहां 100 से अधिक एक साथ बातचीत सपोर्ट की जा सकती हैं। #### कैरेक्टर वॉइसओवर आमतौर पर, 5 की समवर्ती अनुरोध सीमा के साथ 100 से अधिक एक साथ कैरेक्टर वॉइसओवर सपोर्ट किए जा सकते हैं। यह संख्या कैरेक्टर के संवाद की आवृत्ति, विरामों की अवधि और लाइनों के बीच इन-गेम एक्शन के आधार पर अलग हो सकती है। #### लाइव डबिंग समवर्ती डबिंग स्ट्रीम आमतौर पर दिए गए अनुमान के अनुरूप होती हैं। अगर ब्रॉडकास्ट में बातचीत के दौरान विराम होते हैं (जैसे साउंडट्रैक, विज़ुअल सीन आदि के कारण), तो सुझाव से अधिक एक साथ डबिंग स्ट्रीम संभव हो सकती हैं। अगर किसी भी समय आप अपनी योजना की समवर्ती अनुरोध सीमाओं से अधिक जाते हैं और आप Enterprise योजना पर हैं, तो उपलब्ध क्षमता के आधार पर मॉडल अनुरोध धीमे होने के बावजूद सर्वोत्तम प्रयास के आधार पर सफल हो सकते हैं। > **Note** > > अपनी समवर्ती अनुरोध सीमा और क्यू प्राथमिकता बढ़ाने के लिए, [अपनी सब्सक्रिप्शन योजना अपग्रेड करें](https://elevenlabs.io/pricing/api)। > > Enterprise ग्राहक अपने अकाउंट मैनेजर से संपर्क करके ज़्यादा समवर्ती अनुरोध सीमा का अनुरोध कर सकते हैं। ### टेक्स्ट टू डायलॉग समवर्ती अनुरोध टेक्स्ट टू डायलॉग अनुरोधों का मीटरिंग API को कॉल करने के तरीके के आधार पर दो अलग-अलग तरीकों से होता है: * **HTTP एंडपॉइंट** ([डायलॉग बनाएं](/docs/hi/api-reference/text-to-dialogue/convert) और [डायलॉग स्ट्रीम करें](/docs/hi/api-reference/text-to-dialogue/stream)) ऑडियो जनरेट होते समय आपकी योजना की मानक समवर्ती अनुरोध सीमा में गिने जाते हैं, किसी भी अन्य टेक्स्ट टू स्पीच अनुरोध की तरह। * [टेक्स्ट टू डायलॉग WebSocket](/docs/hi/api-reference/text-to-dialogue/ttd-websocket) जैसे **WebSocket एंडपॉइंट** को **डायलॉग सेशन** के रूप में मीटर किया जाता है। खुला कनेक्शन, खुले रहने तक एक डायलॉग सेशन रखता है, चाहे उस समय ऑडियो जनरेट हो रहा हो या नहीं। सेशन-आधारित मीटरिंग क्षमता की योजना को सरल रखती है: एक कनेक्शन एक सेशन है, इसलिए आपका उपयोग जनरेशन गतिविधि के साथ बदलता नहीं है। चूंकि सेशन केवल ऑडियो जनरेट होने के दौरान नहीं, बल्कि पूरे कनेक्शन के लिए रखा जाता है, इसलिए आपकी डायलॉग सेशन सीमाएं इस नई समवर्ती अनुरोध पद्धति के अनुसार तय की गई हैं। | योजना | WebSocket सेशन | | ---------- | -------------- | | मुफ़्त | 14 | | Starter | 21 | | Creator | 35 | | Pro | 70 | | Scale | 105 | | Business | 105 | | Enterprise | अधिक | अगर आप उस समय कनेक्शन खोलते हैं जब आपके workspace के सभी डायलॉग सेशन इस्तेमाल में हैं, तो नया कनेक्शन `too_many_concurrent_requests` त्रुटि के साथ अस्वीकार कर दिया जाता है। सेशन खाली करने के लिए, जिन कनेक्शनों की अब ज़रूरत नहीं है उन्हें बंद कर दें — अगर आप `keep_alive` संदेश नहीं भेजते हैं, तो निष्क्रियता के 20 सेकंड बाद कनेक्शन अपने-आप भी बंद हो जाता है। डायलॉग सेशन मॉनिटर करने के लिए, डैशबोर्ड साइडबार के नीचे **Developers** खोलें, **Analytics** टैब चुनें और Usage व्यू में **Concurrent requests** मेट्रिक देखें। डायलॉग सेशन को आपके अन्य समवर्ती अनुरोधों से अलग, उनकी अपनी सीरीज़ **TTD Websocket Sessions** के रूप में रिपोर्ट किया जाता है। ### समवर्ती अनुरोध सीमाओं का स्केल परीक्षण क्लाइंट-साइड स्केलिंग समस्याओं की पहचान करने और यह जांचने के लिए कि आपके उपयोग के मामले के लिए समवर्ती अनुरोध सीमाएं सही ढंग से सेट हैं, स्केल परीक्षण उपयोगी हो सकता है। वास्तविक इस्तेमाल के जितना संभव हो उतना करीब, एंड-टू-एंड वर्कफ़्लो का परीक्षण करने की पुरज़ोर सलाह दी जाती है। इसके लिए कितने यूज़र्स को सपोर्ट किया जा सकता है, इसे सिम्युलेट करना और मापना सुझाई गई पद्धति है। यह ज़रूरी है कि आप: * रॉ अनुरोधों का नहीं, यूज़र्स का सिमुलेशन करें * सामान्य यूज़र व्यवहार का सिमुलेशन करें, जैसे अनुरोध करने से पहले ऑडियो प्लेबैक, यूज़र के बोलने या ट्रांसक्रिप्शन पूरा होने का इंतज़ार करना * कुछ मिनटों की अवधि में यूज़र्स की संख्या धीरे-धीरे बढ़ाएं * अनुरोधों के समय और आकार में रैंडमनेस जोड़ें * API से मिलने वाले लेटेंसी मेट्रिक और सभी त्रुटि कोड कैप्चर करें उदाहरण के लिए, 100 एक साथ बातचीत को सपोर्ट करने के लिए डिज़ाइन किए गए एजेंट सिस्टम का परीक्षण करने हेतु, आप अधिकतम 100 अलग-अलग "यूज़र" बनाएंगे, जिनमें से हर एक बातचीत का सिमुलेशन करेगा। बातचीत में आमतौर पर \~10 सेकंड यूज़र के बोलने का दोहराया जाने वाला चक्र होता है, उसके बाद \~150 कैरेक्टर के लिए TTS API कॉल और फिर यूज़र को \~10 सेकंड ऑडियो प्लेबैक होता है। इसलिए, हर यूज़र को हर 20 सेकंड में 150 कैरेक्टर के टेक्स्ट के लिए एक websocket टेक्स्ट-टू-स्पीच API कॉल करने के पैटर्न का पालन करना चाहिए, जिसमें प्रतीक्षा अवधि और अनुरोधित कैरेक्टरों की संख्या में थोड़ा रैंडमनेस शामिल हो। परीक्षण में हर सेकंड एक यूज़र शुरू करना शामिल होगा, जब तक कि 100 यूज़र न हो जाएं, और फिर समग्र स्थिरता जांचने के लिए कुल 10 मिनट तक परीक्षण करना होगा। #### स्केल परीक्षण स्क्रिप्ट का उदाहरण यह उदाहरण ElevenLabs API पर सीधे API कॉल के साथ परीक्षण फ्रेमवर्क के रूप में [locust](https://locust.io/) का इस्तेमाल करता है। यह ऊपर दिए गए उदाहरण का पालन करता है और एक कन्वर्सेशनल एजेंट सिस्टम का परीक्षण करता है, जिसमें हर यूज़र हर 20 सेकंड में 1 अनुरोध भेजता है। **`Python`** ```python title="Python" {12} import json import random import time import gevent import locust from locust import User, task, events, constant_throughput import websocket # Averages up to 10 seconds of audio when played, depends on the voice speed DEFAULT_TEXT = ( "Hello, this is a test message. I am testing if a long input will cause issues for the model " "like this sentence. " ) TEXT_ARRAY = [ "Hello.", "Hello, this is a test message.", DEFAULT_TEXT, DEFAULT_TEXT * 2, DEFAULT_TEXT * 3 ] # Custom command line arguments @events.init_command_line_parser.add_listener def on_parser_init(parser): parser.add_argument("--api-key", default="YOUR_API_KEY", help="API key for authentication") parser.add_argument("--encoding", default="mp3_22050_32", help="Encoding") parser.add_argument("--text", default=DEFAULT_TEXT, help="Text to use") parser.add_argument("--use-text-array", default="false", help="Text to use") parser.add_argument("--voice-id", default="aria", help="Text to use") class WebSocketTTSUser(User): # Each user will send a request every 20 seconds, regardless of how long each request takes wait_time = constant_throughput(0.05) def __init__(self, *args, **kwargs): super().__init__(*args, **kwargs) self.api_key = self.environment.parsed_options.api_key self.voice_id = self.environment.parsed_options.voice_id self.text = self.environment.parsed_options.text self.encoding = self.environment.parsed_options.encoding self.use_text_array = self.environment.parsed_options.use_text_array if self.use_text_array: self.text = random.choice(TEXT_ARRAY) self.all_recieved = False @task def tts_task(self): # Do jitter waiting of up to 1 second # Users appear to be spawned every second so this ensures requests are not aligned gevent.sleep(random.random()) max_wait_time = 10 # Connection details uri = f"{self.environment.host}/v1/text-to-speech/{self.voice_id}/stream-input?auto_mode=true&output_format={self.encoding}" headers = {"xi-api-key": self.api_key} ws = None self.all_recieved = False try: init_msg = {"text": " "} # Use proper header format for websocket - this is case sensitive! ws = websocket.create_connection(uri, header=headers) ws.send(json.dumps(init_msg)) # Start measuring after websocket initiated but before any messages are sent send_request_time = time.perf_counter() ws.send(json.dumps({"text": self.text})) # Send to flush and receive the audio ws.send(json.dumps({"text": ""})) def _receive(): t_first_response = None audio_size = 0 try: while True: # Wait up to 10 seconds for a response ws.settimeout(max_wait_time) response = ws.recv() response_data = json.loads(response) if "audio" in response_data and response_data["audio"]: audio_size = audio_size + len(response_data["audio"]) if t_first_response is None: t_first_response = time.perf_counter() first_byte_ms = ( t_first_response - send_request_time ) * 1000 if audio_size is None: # The first response should always have audio locust.events.request.fire( request_type="websocket", name="Bad Response (no audio)", response_time=first_byte_ms, response_length=audio_size, exception=Exception("Response has no audio"), ) break if "isFinal" in response_data and response_data["isFinal"]: # Fire this event once finished streaming, but report the important TTFB metric locust.events.request.fire( request_type="websocket", name="TTS Stream Success (First Byte)", response_time=first_byte_ms, response_length=audio_size, exception=None, ) break except websocket.WebSocketTimeoutException: locust.events.request.fire( request_type="websocket", name="TTS Stream Timeout", response_time=max_wait_time * 1000, response_length=audio_size, exception=Exception("Timeout waiting for response"), ) except Exception as e: # Typically JSON decode error if the server returns HTTP backoff error locust.events.request.fire( request_type="websocket", name="TTS Stream Failure", response_time=0, response_length=0, exception=e, ) finally: self.all_recieved = True gevent.spawn(_receive) # Sleep until recieved so new tasks aren't spawned while not self.all_recieved: gevent.sleep(1) except websocket.WebSocketTimeoutException: locust.events.request.fire( request_type="websocket", name="TTS Stream Timeout", response_time=max_wait_time * 1000, response_length=0, exception=Exception("Timeout waiting for response"), ) except Exception as e: locust.events.request.fire( request_type="websocket", name="TTS Stream Failure", response_time=0, response_length=0, exception=e, ) finally: # Try and close the websocket gracefully try: if ws: ws.close() except Exception: pass ```