Przejdź do nawigacji

Dokumentacja ElevenLabs

Poznaj dokumentację i przewodniki, aby zintegrować ElevenLabs

Zacznij z pomocą agenta programistycznego. Nie potrzebujesz wcześniej konta ani klucza API.

Wklej to do Claude Code, Cursor lub Codex. Narzędzie zaloguje cię lub utworzy konto, utworzy klucz i doda SDK do projektu.

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

Zobacz, jak to działa, lub przeczytaj kod źródłowy polecenia onboard, aby dokładnie sprawdzić, co przekazuje twojemu agentowi.

Jak działa ElevenLabs?

ElevenLabs zapewnia infrastrukturę głosową AI: zamianę tekstu na mowę, zamianę mowy na tekst, klonowanie głosu, agentów głosowych i generatywne audio. Możesz korzystać z niej na cztery sposoby, dostosowane do różnych odbiorców.

ElevenCreative to aplikacja internetowa bez kodowania, w której twórcy, producenci i montażyści generują nałożone głosy, muzykę, dubbing i projekty studyjne bezpośrednio w przeglądarce.

ElevenAgents to platforma do projektowania i obsługi agentów głosowych, z wizualnym kreatorem dla osób nietechnicznych oraz pełną kontrolą programistyczną dla deweloperów.

ElevenAPI udostępnia wszystkie funkcje przez interfejs REST z oficjalnymi SDK dla Python i TypeScript, dzięki czemu deweloperzy mogą osadzać głos we własnych aplikacjach i workflow.

Reception.ai to gotowa do wdrożenia recepcjonistka telefoniczna AI dla małych i średnich firm, która odbiera połączenia, umawia wizyty i zarządza codziennymi działaniami z jednego dashboardu.

Wybierz swoją ścieżkę

Koncepcje

Głosy to persony mowy używane przy generowaniu audio. Każdy głos ma unikalny identyfikator — na przykład JBFqnCBsd6RMkjVDRZzb — który wybierasz w dashboardzie lub przekazujesz w żądaniach API. ElevenLabs utrzymuje bibliotekę ponad 10 000 głosów. Możesz też sklonować głos z nagrania audio lub wygenerować go na podstawie opisu tekstowego.

Modele kontrolują jakość, opóźnienie i obsługiwane języki generowanego audio. eleven_v4 zapewnia najbardziej ekspresyjne rezultaty w ponad 90 językach. eleven_v4_turbo jest przeznaczony do zastosowań w czasie rzeczywistym przy medianie opóźnienia około 100 ms. Każda funkcja — zamiana mowy na tekst, muzyka, efekty dźwiękowe — ma własny dedykowany model. Zobacz Który model wybrać?, aby wybrać odpowiedni.

Jak działają ceny?

Kredyty to jednostka zużycia wspólna dla wszystkich produktów. Zamiana tekstu na mowę kosztuje jeden kredyt za znak tekstu wejściowego. Inne operacje są rozliczane za sekundę przetworzonego audio. Kredyty odnawiają się co miesiąc, a niewykorzystane przechodzą na maksymalnie dwa miesiące. Pełne zestawienie znajdziesz w cenniku.

Aby korzystać z API bez miesięcznej subskrypcji, Pay As You Go pozwala wpłacić środki z góry, które są wykorzystywane podczas korzystania z ElevenLabs po zużyciu kredytów z subskrypcji.

Gotowe do produkcji

Jak szybka jest zamiana tekstu na mowę ElevenLabs?

Eleven v4 Turbo i Eleven Flash v2.5 zwracają pierwszy dźwięk przy medianie opóźnienia ~100 ms. Scribe v2 Realtime zwraca zatwierdzone transkrypcje przy medianie opóźnienia ~150 ms. Te wartości nie uwzględniają opóźnień aplikacji i sieci, więc czas, po którym użytkownicy usłyszą dźwięk, jest dłuższy. Jak mierzymy opóźnienie wyjaśnia, co obejmują te wartości, a Optymalizacja opóźnienia opisuje, jak zmniejszyć opóźnienie end-to-end.

Jak ElevenLabs radzi sobie ze skalą?

Twój plan określa, ile żądań jest przetwarzanych jednocześnie. Limit współbieżności nie jest limitem równoczesnych rozmów: orientacyjnie limit 5 zwykle obsługuje około 100 jednoczesnych transmisji audio, zależnie od użytych głosów i przypadku użycia. Plany Enterprise mają wyższe limity. Zobacz Współbieżność i priorytet, aby sprawdzić limity dla poszczególnych planów i wskazówki dotyczące testów obciążeniowych.

Kontrole Enterprise

  • Prywatne wdrożenia uruchamiają ElevenAgents, Text to Speech i Speech to Text na własnym koncie chmurowym, więc tekst, audio i transkrypcje pozostają w twojej sieci.
  • Rezydencja danych przechowuje dane w odizolowanych środowiskach w UE, Indiach lub Singapurze zamiast w domyślnej lokalizacji w USA. To funkcja Enterprise.
  • Obszary robocze centralizują rozliczenia, współdzielone zasoby, dostęp zespołu i zarządzanie kluczami API. Obszary robocze Enterprise dodają SSO przez SAML 2.0 lub OIDC oraz dzienniki audytu działań administracyjnych w schemacie OCSF.

Wygeneruj pierwsze audio

Zainstaluj SDK, ustaw klucz API jako zmienną środowiskową i w jednym żądaniu zamień tekst w plik MP3. Jeśli zamiast tego chcesz, aby konfigurację wykonał twój agent programistyczny, zobacz Konfiguracja z agentem programistycznym.

1

Zainstaluj SDK

pip install elevenlabs python-dotenv
2

Ustaw klucz API

Utwórz klucz API i dodaj go do pliku .env w katalogu projektu:

.env
ELEVENLABS_API_KEY=<your_api_key_here>
3

Wygeneruj i zapisz audio

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)

Uruchom skrypt za pomocą python example.py lub npx tsx example.mts, a potem otwórz output.mp3. Aby zrobić to samo w terminalu, użyj ElevenLabs CLI:

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

Quickstart ElevenAPI opisuje to samo żądanie bardziej szczegółowo, w tym konfigurację CLI i odtwarzanie audio przez głośniki.

Co mogę stworzyć z ElevenAgents?

ElevenAgents łączy rozpoznawanie mowy, wybrany LLM, zamianę tekstu na mowę i obsługę tur w jednego agenta głosowego, którego konfigurujesz w panelu lub przez SDK.

  • Obsługa klienta: odpowiadaj na pytania na podstawie własnej dokumentacji, dołączając do agenta bazę wiedzy.
  • Linie telefoniczne: połącz numer Twilio przez natywną integrację, aby obsługiwać połączenia przychodzące i wychodzące, lub podłącz obecny system telefoniczny przez SIP trunking.
  • Kampanie wychodzące: wykonuj wiele połączeń wychodzących naraz dzięki połączeniom wsadowym.
  • Strony i aplikacje: osadź agenta obsługującego głos i tekst za pomocą widżetu.

Quickstart ElevenAgents pozwoli ci stworzyć pierwszego agenta end-to-end.

Którego modelu użyć?

Zacznij od przypadku użycia. Każdy identyfikator modelu poniżej to wartość przekazywana jako model_id w żądaniach API.

Przypadek użyciaZalecany modelID modeluDlaczego
Agenci głosowi w czasie rzeczywistymEleven v4 Turboeleven_v4_turboMediana opóźnienia ~100 ms† i najbardziej ekspresyjna komunikacja w czasie rzeczywistym. eleven_flash_v2_5 ma podobną medianę opóźnienia.
Ekspresyjna lub długa narracjaEleven v4eleven_v4Najbardziej ekspresyjny model, odpowiedni do audiobooków i głosów postaci. Do 10 000 znaków (~10 minut audio) na żądanie. Aby uzyskać najstabilniejszy długi wynik, użyj eleven_multilingual_v2.
Treści wielojęzyczneEleven v4eleven_v4Ponad 90 języków ze stałą jakością głosu przy zmianie języka. eleven_v4_turbo obsługuje te same języki w czasie rzeczywistym.
Najniższy kosztEleven Flash v2.5eleven_flash_v2_5Cena za znak przy generowaniu przez API niższa o 50%, 32 języki i do 40 000 znaków na żądanie.
Mowa na tekst, wsadowoScribe v2scribe_v2Transkrypcja w ponad 90 językach ze znacznikami czasu na poziomie słów, rozróżnianiem do 32 mówców i podpowiedziami słów kluczowych. Do audio klinicznego użyj scribe_v2_medical.
Mowa na tekst, w czasie rzeczywistymScribe v2 Realtimescribe_v2_realtimePrzesyła transkrypcje ze ~150 ms† opóźnienia w ponad 90 językach.

Więcej przypadków użycia znajdziesz w Wybór właściwego modelu, a pełną specyfikację w dokumentacji modeli.

† Mediana, bez opóźnień aplikacji i sieci. Zobacz jak mierzymy opóźnienie.

Przeglądaj według możliwości

Zbudowano z