> 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. # Dokumentacja ElevenLabs > ElevenLabs API docs for text to speech, speech to text and voice agents, with Python and TypeScript SDKs, model guides, quickstarts and API reference. > **Tip** > > Zacznij z pomocą agenta kodującego. 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. > > ```text > Add ElevenLabs to my project: run `npx -y @elevenlabs/cli@latest onboard init` and follow what it prints. > ``` > > [Zobacz, jak to działa](/docs/pl/eleven-api/quickstart#set-up-with-your-coding-agent), albo przeczytaj [kod źródłowy polecenia `onboard`](https://github.com/elevenlabs/cli/tree/main/cli/elevenlabs/workflow/onboard), aby sprawdzić, co dokładnie 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, dla różnych odbiorców. **[ElevenCreative](/docs/pl/eleven-creative)** to aplikacja webowa no-code, w której twórcy, producenci i montażyści generują nałożone głosy, muzykę, dubbing i projekty studyjne bezpośrednio w przeglądarce. **[ElevenAgents](/docs/pl/eleven-agents)** to platforma do projektowania i obsługi agentów głosowych, z wizualnym kreatorem dla osób nietechnicznych oraz pełną kontrolą programistyczną dla deweloperów. **[ElevenAPI](/docs/pl/eleven-api)** udostępnia każdą funkcję przez interfejs REST z oficjalnymi SDK dla Pythona i TypeScript, dzięki czemu deweloperzy mogą osadzać głos we własnych aplikacjach i workflow. **[Reception.ai](/docs/pl/reception-ai)** to gotowa do wdrożenia telefoniczna recepcjonistka AI dla małych i średnich firm, która odbiera połączenia, umawia wizyty i zarządza codziennymi zadaniami z jednego panelu. ## Wybierz ścieżkę [![](/docs/_fern-img/12097a437e55f60c199946cf59c9528eb8349d110142394833d67fe93b50e68d.webp)](/docs/pl/eleven-creative/overview) ### ElevenCreative Dowiedz się, jak korzystać z ElevenCreative dzięki przewodnikom krok po kroku [![](/docs/_fern-img/7375358c43ac5dd1a170937123f0874e01b3d8b6cf178c282805588a11d39593.webp)](/docs/pl/eleven-agents/overview) ### ElevenAgents Dowiedz się, jak tworzyć, uruchamiać i skalować agentów z ElevenLabs [![](/docs/_fern-img/002b2432fa6ab18befc9f1a6e7fadf348f46506a5a5a72a2358ba1e7f92d8ded.webp)](/docs/pl/eleven-api/quickstart) ### ElevenAPI Dowiedz się, jak integrować API ElevenLabs na przykładach i w samouczkach ## Podstawowe pojęcia **Głosy** to persony mowy używane do generowania audio. Każdy głos ma unikalny identyfikator — na przykład `JBFqnCBsd6RMkjVDRZzb` — który wybierasz w panelu lub przekazujesz w żądaniach API. ElevenLabs udostępnia [bibliotekę ponad 10 000 głosów](https://elevenlabs.io/app/voice-library). Możesz też sklonować głos z nagrania audio lub wygenerować go na podstawie opisu tekstowego. **Modele** określają jakość, opóźnienie i obsługiwane języki generowanego audio. [`eleven_v4`](/docs/pl/overview/models) tworzy najbardziej ekspresyjne wyniki w ponad 90 językach. [`eleven_v4_turbo`](/docs/pl/overview/models) jest przeznaczony do użycia w czasie rzeczywistym, ze średnim opóźnieniem inferencji około 100 ms. Każda funkcja — zamiana mowy na tekst, muzyka, efekty dźwiękowe — ma własny dedykowany model. Zobacz [Którego modelu użyć?](#which-model-should-i-use), aby wybrać odpowiedni. ## Jak działa rozliczanie? **Kredyty** to wspólna dla wszystkich produktów jednostka zużycia. 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. Pełny cennik znajdziesz na stronie [cen](https://elevenlabs.io/pricing/api). Jeśli chcesz korzystać z API bez miesięcznej subskrypcji, [Pay As You Go](/docs/pl/overview/administration/pay-as-you-go) pozwala opłacić z góry saldo, które jest pobierane podczas korzystania z ElevenLabs — po wykorzystaniu kredytów subskrypcyjnych. ## Gotowe do produkcji ### Jak szybka jest zamiana tekstu na mowę ElevenLabs? Eleven Flash v2.5 generuje audio z opóźnieniem inferencji modelu około 75 ms, a Eleven v4 Turbo ze średnim opóźnieniem około 100 ms. Scribe v2 Realtime zwraca częściowe transkrypcje w około 150 ms. Te wartości nie obejmują opóźnień aplikacji i sieci, więc czas, po którym użytkownicy usłyszą audio, będzie dłuższy. [Informacje o opóźnieniach](/docs/pl/eleven-api/concepts/latency) wyjaśniają, co obejmują te wartości, a [Optymalizacja opóźnień](/docs/pl/eleven-api/guides/how-to/best-practices/latency-optimization) pokazuje, jak skrócić opóźnienie end-to-end. ### Jak ElevenLabs radzi sobie ze skalą? Twój plan określa, ile żądań może być przetwarzanych jednocześnie. Limit współbieżności nie jest limitem równoczesnych rozmów: orientacyjnie limit 5 zwykle obsługuje około 100 jednoczesnych transmisji audio, zależnie od używanych głosów i zastosowania. Plany Enterprise mają wyższe limity. Limity dla poszczególnych planów i wskazówki dotyczące testów obciążeniowych znajdziesz w artykule [Współbieżność i priorytet](/docs/pl/overview/models#concurrency-and-priority). ### Kontrole Enterprise * **[Wdrożenia prywatne](/docs/pl/overview/capabilities/private-deployment)** uruchamiają ElevenAgents, Text to Speech i Speech to Text na twoim własnym koncie chmurowym, więc tekst, audio i transkrypcje pozostają w twojej sieci. * **[Rezydencja danych](/docs/pl/overview/administration/data-residency)** przechowuje dane w odizolowanych środowiskach w UE, Indiach lub Singapurze zamiast w domyślnej lokalizacji w USA. To funkcja Enterprise. * **[Obszary robocze](/docs/pl/overview/administration/workspaces/overview)** centralizują rozliczenia, wspólne zasoby, dostęp zespołu i zarządzanie kluczami API. Obszary robocze Enterprise dodają [SSO](/docs/pl/overview/administration/workspaces/sso) przez SAML 2.0 lub OIDC oraz [dzienniki audytu](/docs/pl/overview/administration/workspaces/audit-logs) działań administracyjnych w schemacie OCSF. ## Wygeneruj pierwsze audio Zainstaluj SDK, ustaw klucz API jako zmienną środowiskową i przekonwertuj tekst do pliku MP3 jednym żądaniem. Jeśli wolisz, by konfigurację wykonał twój agent kodujący, zobacz [Konfiguracja z agentem kodującym](/docs/pl/eleven-api/quickstart#set-up-with-your-coding-agent). #### Zainstaluj SDK **`Python`** ```bash title="Python" pip install elevenlabs python-dotenv ``` **`TypeScript`** ```bash title="TypeScript" npm install @elevenlabs/elevenlabs-js dotenv ``` #### Ustaw klucz API [Utwórz klucz API](https://elevenlabs.io/app/settings/api-keys) i dodaj go do pliku `.env` w katalogu projektu: **`.env`** ```js title=".env" ELEVENLABS_API_KEY= ``` #### Wygeneruj i zapisz audio ```python 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) ``` ```typescript import { ElevenLabsClient } from "@elevenlabs/elevenlabs-js"; import "dotenv/config"; import { writeFile } from "node:fs/promises"; const elevenlabs = new ElevenLabsClient(); const audio = await elevenlabs.textToSpeech.convert( "JBFqnCBsd6RMkjVDRZzb", // "George" - browse voices at elevenlabs.io/app/voice-library { text: "The first move is what sets everything in motion.", modelId: "eleven_v4", outputFormat: "mp3_44100_128", } ); await writeFile("output.mp3", Buffer.from(await new Response(audio).arrayBuffer())); ``` Uruchom skrypt poleceniem `python example.py` lub `npx tsx example.mts`, a następnie otwórz `output.mp3`. Aby zrobić to samo w terminalu, użyj [CLI ElevenLabs](/docs/pl/eleven-api/quickstart): ```bash 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 ``` [Przewodnik startowy ElevenAPI](/docs/pl/eleven-api/quickstart) szczegółowo omawia to samo żądanie, w tym konfigurację CLI i odtwarzanie audio przez głośniki. ## Co mogę stworzyć z ElevenAgents? ElevenAgents łączy rozpoznawanie mowy, wybrany przez ciebie LLM, zamianę tekstu na mowę i obsługę zmian 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](/docs/pl/eleven-agents/customization/knowledge-base). * **Linie telefoniczne**: połącz numer Twilio przez [natywną integrację](/docs/pl/eleven-agents/phone-numbers/twilio-integration/native-integration), aby obsługiwać połączenia przychodzące i wychodzące, lub podłącz obecny system telefoniczny przez trunking SIP. * **Kampanie wychodzące**: wykonuj wiele połączeń wychodzących naraz dzięki [połączeniom wsadowym](/docs/pl/eleven-agents/phone-numbers/batch-calls). * **Strony i aplikacje**: osadź agenta obsługującego głos i tekst za pomocą [widżetu](/docs/pl/eleven-agents/customization/widget). [Przewodnik startowy ElevenAgents](/docs/pl/eleven-agents/quickstart) pokazuje, jak stworzyć pierwszego agenta end-to-end. ## Którego modelu użyć? Zacznij od swojego zastosowania. Każdy identyfikator modelu poniżej to wartość przekazywana jako `model_id` w żądaniach API. | Zastosowanie | Zalecany model | ID modelu | Dlaczego | | -------------------------------------------- | ------------------ | -------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | Agenci głosowi w czasie rzeczywistym | Eleven v4 Turbo | `eleven_v4_turbo` | Średnie opóźnienie inferencji około 100 ms† i najbardziej ekspresyjna komunikacja w czasie rzeczywistym. Aby uzyskać najniższe opóźnienie, użyj `eleven_flash_v2_5` (\~75 ms†). | | Ekspresyjna lub długa narracja | Eleven v4 | `eleven_v4` | Najbardziej ekspresyjny model, odpowiedni do audiobooków i głosów postaci. Do 10 000 znaków (\~10 minut audio) na żądanie. Najstabilniejsze wyniki dla długich form zapewnia `eleven_multilingual_v2`. | | Treści wielojęzyczne | Eleven v4 | `eleven_v4` | Ponad 90 języków ze stałą jakością głosu przy zmianie języka. `eleven_v4_turbo` obsługuje te same języki w czasie rzeczywistym. | | Najniższy koszt | Eleven Flash v2.5 | `eleven_flash_v2_5` | Cena za znak dla generowania przez API niższa o 50%, 32 języki i do 40 000 znaków na żądanie. | | Zamiana mowy na tekst, wsadowo | Scribe v2 | `scribe_v2` | Transkrypcja w ponad 90 językach ze znacznikami czasu na poziomie słów, diarizacją do 32 mówców i podpowiedziami słów kluczowych. Do audio klinicznego użyj `scribe_v2_medical`. | | Zamiana mowy na tekst, w czasie rzeczywistym | Scribe v2 Realtime | `scribe_v2_realtime` | Przesyła transkrypcje ze opóźnieniem około 150 ms† w ponad 90 językach. | Więcej zastosowań znajdziesz w artykule [Wybór odpowiedniego modelu](/docs/pl/eleven-api/choosing-the-right-model), a pełne specyfikacje w [dokumentacji modeli](/docs/pl/overview/models). #### [Eleven v4](/docs/pl/overview/models#eleven-v4) Nasz najbardziej emocjonalny model syntezy mowy o najwyższej jakości Wyjątkowe możliwości klonowania głosu Obsługa ponad 90 języków Limit 10 000 znaków Obsługa naturalnych dialogów wielu mówców #### [Eleven v4 Turbo](/docs/pl/overview/models#eleven-v4-turbo) Nasz najbardziej emocjonalny model syntezy mowy w czasie rzeczywistym Bardzo niskie opóźnienie (mediana opóźnienia inferencji \~100ms†) Wyjątkowe możliwości klonowania głosu Obsługa ponad 90 języków Tagi audio zapewniające precyzyjną kontrolę #### [Eleven v3](/docs/pl/overview/models#eleven-v3) Nasz ekspresyjny model syntezy mowy bogaty w emocje Dramatyczna interpretacja i wykonanie Obsługa ponad 70 języków Limit 5000 znaków Obsługa naturalnych dialogów wielu mówców #### [Eleven v3 Conversational](/docs/pl/overview/models#eleven-v3-conversational) Nasz ekspresyjny model syntezy mowy w czasie rzeczywistym Niskie opóźnienie (\~280ms) Dramatyczna interpretacja i wykonanie Obsługa ponad 70 języków Tagi audio zapewniające precyzyjną kontrolę #### [Eleven Multilingual v2](/docs/pl/overview/models#multilingual-v2) Model syntezy mowy o naturalnym brzmieniu i stałej jakości Naturalnie brzmiące nagrania Obsługa 29 języków Limit 10 000 znaków Najbardziej stabilny przy długich generacjach #### [Eleven Flash v2.5](/docs/pl/overview/models#flash-v25) Nasz szybki, przystępny cenowo model syntezy mowy Bardzo niskie opóźnienie (\~75ms†) Obsługa 32 języków Limit 40 000 znaków Szybszy model, cena za znak dla generacji API niższa o 50% #### [Scribe v2](/docs/pl/overview/models#scribe-v2) Najnowocześniejszy model rozpoznawania mowy Dokładna transkrypcja w ponad 90 językach Podpowiadanie kluczowych terminów, do 1000 terminów Wykrywanie encji, 65 typów encji Edycja transkrypcji za pomocą instrukcji w języku naturalnym Precyzyjne znaczniki czasu na poziomie słów Diarizacja mówców, do 32 mówców Dynamiczne tagowanie audio Inteligentne wykrywanie języka #### [Scribe v2 Realtime](/docs/pl/overview/models#scribe-v2-realtime) Model rozpoznawania mowy w czasie rzeczywistym Dokładna transkrypcja w ponad 90 językach Transkrypcja w czasie rzeczywistym Niskie opóźnienie (\~150ms†) Precyzyjne znaczniki czasu na poziomie słów Wykrywanie encji, 65 typów encji Edycja transkrypcji za pomocą instrukcji w języku naturalnym #### [Scribe v2 Medical](/docs/pl/overview/models#scribe-v2-medical) Model rozpoznawania mowy dostrojony do nagrań klinicznych O 35% mniej błędów transkrypcji nagrań klinicznych niż w Scribe v2 Taka sama dokładność codziennej mowy jak Scribe v2 Te same funkcje, języki, ceny i API co Scribe v2 [Zobacz wszystkie](/docs/pl/overview/models) † Bez opóźnień aplikacji i sieci. Zobacz [Informacje o opóźnieniach](/docs/pl/eleven-api/concepts/latency). ## Przeglądaj według funkcji Text to Speech Zamieniaj tekst w naturalnie brzmiącą mowę Speech to Text Transkrybuj mowę na tekst Muzyka Generuj muzykę z tekstu Text to Dialogue Twórz naturalnie brzmiące dialogi z tekstu Obrazy i wideo Generuj obrazy i wideo z tekstu Voice Changer Modyfikuj i zmieniaj głosy Voice Isolator Oddzielaj głosy od szumu tła Dubbing Twórz płynny dubbing audio i wideo Efekty dźwiękowe Twórz kinowe efekty dźwiękowe Głosy Klonuj i projektuj własne głosy Voice Remixing Przekształcaj i ulepszaj istniejące głosy Wymuszone dopasowanie Dopasowuj tekst do audio Speech Engine Dodaj głos do wszystkiego ElevenAgents Wdrażaj inteligentnych agentów głosowych Wdrożenia prywatne Uruchom ElevenLabs we własnej chmurze