> 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.

# Speech Engine

## Omówienie

ElevenLabs Speech Engine dodaje funkcje głosowe do każdego agenta czatu. ElevenLabs obsługuje zamianę mowy na tekst i tekstu na mowę, a twój serwer zapewnia logikę LLM. SDK zarządza cyklem życia połączenia, kolejnością wypowiedzi i wykrywaniem przerwań, więc możesz skupić się na działaniu agenta.

#### [Szybki start](/docs/pl/eleven-api/guides/cookbooks/speech-engine)

Zbuduj agenta głosowego z SDK ElevenLabs.

#### [Dokumentacja SDK JavaScript](/docs/pl/eleven-api/resources/libraries/speech-engine/javascript-sdk-reference)

Klasy, metody i zdarzenia SDK JavaScript.

#### [Dokumentacja SDK Python](/docs/pl/eleven-api/resources/libraries/speech-engine/python-sdk-reference)

Klasy, metody i zdarzenia SDK Python.

## Jak to działa

Speech Engine łączy twój serwer z ElevenLabs przez WebSocket. Każde połączenie odpowiada jednej rozmowie.

```mermaid
sequenceDiagram
    participant Browser
    participant ElevenLabs

    box Your Server
        participant SDK as Speech Engine SDK
        participant LLM
    end

    Browser->>ElevenLabs: User speaks (audio)
    ElevenLabs->>SDK: Transcript (WebSocket)
    SDK->>LLM: Conversation history
    LLM->>SDK: Streamed response
    SDK->>ElevenLabs: Text chunks
    ElevenLabs->>Browser: Agent speaks (audio)
```

1. Użytkownik mówi w przeglądarce. ElevenLabs przechwytuje audio i je transkrybuje.
2. Transkrypcja jest wysyłana na twój serwer wraz z pełną historią rozmowy.
3. Twój serwer przekazuje transkrypcję do LLM i przesyła odpowiedź strumieniowo z powrotem.
4. ElevenLabs zamienia tekst na mowę i odtwarza ją w przeglądarce.

## Kiedy używać Speech Engine

Speech Engine jest dla deweloperów, którzy chcą używać własnego LLM i kontrolować logikę rozmowy na własnym serwerze. Użyj go, gdy chcesz:

* Dodać głos do istniejącego agenta czatu tekstowego
* Użyć konkretnego LLM, dostrojonego modelu lub własnego pipeline'u inferencji
* Zachować pełną kontrolę nad kierowaniem rozmową, zarządzaniem kontekstem i wywoływaniem narzędzi
* Zintegrować głos z istniejącą aplikacją serwerową (Express, FastAPI itp.)

Jeśli chcesz w pełni hostowane rozwiązanie, w którym ElevenLabs zapewnia LLM, bazę wiedzy i narzędzia, użyj [ElevenAgents](/docs/pl/eleven-agents/overview).

## Kluczowe funkcje

* **Dowolny LLM** - użyj OpenAI, Anthropic, Google Gemini lub dowolnego modelu generującego tekst. SDK automatycznie wyodrębnia tekst ze streamów OpenAI, Anthropic i Gemini.
* **Obsługa przerwań** - gdy użytkownik zacznie mówić w trakcie odpowiedzi, SDK automatycznie anuluje trwające żądanie LLM przez `AbortSignal` (TypeScript) lub anulowanie zadania (Python).
* **Przesyłanie strumieniowe** - odpowiedzi są przesyłane do przeglądarki w miarę generowania. Przekaż ciąg znaków, asynchroniczny iterable lub natywny obiekt streamu LLM.
* **Kolejność wypowiedzi** - SDK zarządza turami rozmowy, więc twój serwer musi tylko odpowiadać na transkrypcje.

## Czas trwania rozmowy

Speech Engine obsługuje rozmowy trwające do 40 minut (2400 sekund). Domyślnie
rozmowa kończy się po 600 sekundach (10 minutach). Aby zezwolić na dłuższe rozmowy, zwiększ
`conversation.max_duration_seconds` w API lub **Maksymalny czas trwania rozmowy** w panelu w zakładce
**Zaawansowane**. Zobacz
[Konfigurowanie maksymalnego czasu trwania rozmowy](/docs/pl/eleven-api/guides/cookbooks/speech-engine#configuring-the-maximum-conversation-duration).
Jeśli potrzebujesz rozmów dłuższych niż 40 minut, [skontaktuj się z naszym zespołem](https://elevenlabs.io/contact-sales).

## Lista dozwolonych adresów IP

Jeśli twój serwer jest za firewallem lub używa kontroli dostępu opartej na IP, możesz dodać do listy dozwolonych statyczne adresy IP ruchu wychodzącego, z których pochodzą połączenia WebSocket ElevenLabs. Pełną listę adresów IP znajdziesz w [liście dozwolonych adresów IP](/docs/pl/eleven-api/resources/ip-allowlisting).

> **Tip**
>
> Lista dozwolonych adresów IP sprawia, że twój serwer akceptuje połączenia WebSocket tylko z systemów
> ElevenLabs.

## FAQ

#### Które LLM są obsługiwane?

Każdy LLM generujący tekst. SDK ma wbudowane wyodrębnianie streamów dla OpenAI (Responses API i
Chat Completions API), Anthropic Messages API oraz Google Gemini API. W przypadku innych dostawców przekaż
zwykły ciąg znaków lub asynchroniczny iterable fragmentów tekstu.

#### Jaka jest różnica między Speech Engine a ElevenAgents?

ElevenAgents to w pełni hostowana platforma, na której ElevenLabs zapewnia LLM, bazę wiedzy i
narzędzia. Speech Engine jest dla deweloperów, którzy chcą używać własnego LLM i kontrolować
logikę rozmowy na własnym serwerze.

#### Które frameworki serwerowe są obsługiwane?

W TypeScript możesz podłączyć Speech Engine do dowolnego serwera HTTP Node.js (Express, Fastify lub
zwykłego `http.createServer()`), albo uruchomić samodzielny serwer WebSocket. W Pythonie SDK zapewnia
samodzielny serwer przez `engine.serve()` lub możesz zintegrować je z FastAPI, Starlette albo dowolnym
frameworkiem ASGI za pomocą `engine.create_session()`.