> 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. # Modeller > Learn about the models that power the ElevenLabs API. ## Flaggskeppsmodeller ### Text to Speech #### [Eleven v4](/docs/sv/overview/models#eleven-v4) Vår mest känslosamma modell för talsyntes med hög kvalitet Exceptionella möjligheter till Voice Cloning Stöd för över 90 språk Gräns på 10 000 tecken Stöd för naturliga dialoger med flera talare #### [Eleven v4 Turbo](/docs/sv/overview/models#eleven-v4-turbo) Vår mest känslosamma modell för talsyntes i realtid Ultralåg latens (medianlatens för inferens på \~100 ms†) Exceptionella möjligheter till Voice Cloning Stöd för över 90 språk Ljudtaggar för detaljerad kontroll #### [Eleven v3](/docs/sv/overview/models#eleven-v3) Vår känslomässigt rika och uttrycksfulla modell för talsyntes Dramatiskt framförande och uttryck Stöd för över 70 språk Gräns på 5 000 tecken Stöd för naturliga dialoger med flera talare #### [Eleven v3 Conversational](/docs/sv/overview/models#eleven-v3-conversational) Vår uttrycksfulla modell för talsyntes i realtid Låg latens (\~280 ms) Dramatiskt framförande och uttryck Stöd för över 70 språk Ljudtaggar för detaljerad kontroll #### [Eleven Multilingual v2](/docs/sv/overview/models#multilingual-v2) Modell för talsyntes med verklighetstroget och jämnt hög kvalitet Naturligt ljudande resultat Stöd för 29 språk Gräns på 10 000 tecken Mest stabil vid långa genereringar #### [Eleven Flash v2.5](/docs/sv/overview/models#flash-v25) Vår snabba och prisvärda modell för talsyntes Ultralåg latens (\~75 ms†) Stöd för 32 språk Gräns på 40 000 tecken Snabbare modell, 50 % lägre pris per tecken för API-genereringar ### Speech to Text #### [Scribe v2](/docs/sv/overview/models#scribe-v2) Avancerad modell för taligenkänning Exakt transkribering på över 90 språk Promptning med nyckeltermer, upp till 1 000 termer Entitetsidentifiering, 65 entitetstyper Redigering av transkriptioner med instruktioner på naturligt språk Exakta tidsstämplar på ordnivå Talarseparering, upp till 32 talare Dynamisk ljudtaggning Smart språkidentifiering #### [Scribe v2 Realtime](/docs/sv/overview/models#scribe-v2-realtime) Modell för taligenkänning i realtid Exakt transkribering på över 90 språk Transkribering i realtid Låg fördröjning (\~150ms†) Exakta tidsstämplar på ordnivå Entitetsidentifiering, 65 entitetstyper Redigering av transkriptioner med instruktioner på naturligt språk #### [Scribe v2 Medical](/docs/sv/overview/models#scribe-v2-medical) Taligenkänning finjusterad för kliniskt ljud 35 % färre transkriberingsfel för kliniskt ljud än Scribe v2 Samma precision för vardagligt tal som Scribe v2 Samma funktioner, språk, priser och API som Scribe v2 ### Röstbaserade agenter #### [Eleven Realtime v1 Mini](/docs/sv/overview/models#eleven-realtime) Vår Realtime-modell för snabba, naturliga samtal Komplett röstagent med taligenkänning, turordning, LLM och röst, justerad som ett system Optimerad för snabbhet och naturligt samtalsflöde Naturlig turordning och hantering av avbrott Stöd för över 90 språk Tillgänglig i ElevenAgents och via det OpenAI-kompatibla Realtime API #### [Eleven Realtime v1 Max](/docs/sv/overview/models#eleven-realtime) Vår Realtime-modell för komplexa uppgifter Komplett röstagent med taligenkänning, turordning, LLM och röst, justerad som ett system Optimerad för exakta, genomtänkta svar i uppgifter med flera steg Verktygsanrop för uppslagningar och åtgärder under ett samtal Stöd för över 90 språk Tillgänglig i ElevenAgents och via det OpenAI-kompatibla Realtime API ### Musik #### [Eleven Music v2.5](/docs/sv/overview/models#eleven-music) Vår mest avancerade musikmodell Förbättrad kvalitet och följsamhet till promptar Fylligare melodier, djupare arrangemang och fler lager av instrument. Samma arbetsflöden och stöd: kompositionsplaner, ljudreferens och inpainting #### [Eleven Music v2](/docs/sv/overview/models#eleven-music) Studiokvalitativ musik med prompter på naturligt språk i valfri stil Full kontroll över genre, stil och struktur Sång eller bara instrumentalt Flerspråkig, inklusive engelska, spanska, tyska, japanska och fler Redigera ljudet och texten i enskilda delar eller hela låten [Priser](https://elevenlabs.io/pricing/api) ## Modellöversikt ElevenLabs API erbjuder en rad ljudmodeller som är optimerade för olika användningsområden, kvalitetsnivåer och prestandakrav. | Modell-ID | Beskrivning | Språk | | ---------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | `eleven_v4` | Vår mest känslomässigt rika och uttrycksfulla modell för talsyntes | [över 90 språk](/docs/sv/overview/models#supported-languages) | | `eleven_v4_turbo` | Vår mest uttrycksfulla modell för talsyntes i realtid (\~100 ms†) | [över 90 språk](/docs/sv/overview/models#supported-languages) | | `eleven_v3` | Mänsklig och uttrycksfull talgenerering | [över 70 språk](/docs/sv/overview/models#supported-languages-2) | | `eleven_v3_conversational` | Vår mest uttrycksfulla modell för talsyntes i realtid (\~280 ms†) | [över 70 språk](/docs/sv/overview/models#supported-languages-2) | | `eleven_ttv_v3` | Mänsklig och uttrycksfull modell för röstdesign (Text to Voice) | [över 70 språk](/docs/sv/overview/models#supported-languages-2) | | `eleven_multilingual_v2` | Vår verklighetstrogna modell med rika känslouttryck | `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` | Ultrasnabb modell optimerad för användning i realtid (\~75 ms†) | Alla språk i `eleven_multilingual_v2` plus: `hu`, `no`, `vi` | | `eleven_flash_v2` | Ultrasnabb modell optimerad för användning i realtid (\~75 ms†) | `en` | | `eleven_multilingual_sts_v2` | Branschledande flerspråkig modell för röstförändring (Speech to Speech) | `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` | Branschledande flerspråkig modell för röstdesign (Text to Voice) | `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` | Modell för röstförändring endast på engelska (Speech to Speech) | `en` | | `scribe_v2_realtime` | Modell för taligenkänning i realtid | [över 90 språk](/docs/sv/overview/capabilities/speech-to-text#supported-languages) | | `scribe_v2` | Branschledande modell för taligenkänning | [över 90 språk](/docs/sv/overview/capabilities/speech-to-text#supported-languages) | | `scribe_v2_medical` | Modell för taligenkänning specialiserad på medicinskt och kliniskt ljud | [över 90 språk](/docs/sv/overview/capabilities/speech-to-text#supported-languages) | | `eleven_realtime_v1_mini` | Komplett modellkonfiguration för röstagent, optimerad för snabba, naturliga samtal | [över 90 språk](/docs/sv/overview/models#supported-languages) | | `eleven_realtime_v1_max` | Komplett modellkonfiguration för röstagent, optimerad för komplexa uppgifter i flera steg | [över 90 språk](/docs/sv/overview/models#supported-languages) | | `eleven_text_to_sound_v2` | Generering av ljudeffekter från textprompter | Ej tillämpligt | | `music_v2_5` | Vår mest avancerade musikmodell. Studiokvalitativ generering från textprompter, kompositionsplaner och tidigare genererade låtar, med bättre kvalitet och följsamhet till prompter än `music_v2` | `en`, `es`, `de`, `ja` med flera | | `music_v2` | Musikgenerering i studiokvalitet från textprompter, kompositionsplaner och tidigare genererade låtar | `en`, `es`, `de`, `ja` med flera | | `music_v1` | Musikgenerering i studiokvalitet från textprompter. Överträffas av `music_v2` och `music_v2_5` | `en`, `es`, `de`, `ja` med flera | † Exklusive applikations- och nätverkslatens. Se [Förstå latens](/docs/sv/eleven-api/concepts/latency). ### Utfasade modeller > **Warning** > > Modellerna `eleven_turbo_v2_5` och `eleven_turbo_v2` är funktionellt likvärdiga med > modellerna `eleven_flash_v2_5` respektive `eleven_flash_v2`, förutom att latensen för Flash- > modellerna i genomsnitt är lägre. Vi rekommenderar att du använder Flash-modellerna i alla > användningsfall i stället för Turbo-modellerna. | Modell-ID | Beskrivning | Språk | Förslag på ersättningsmodell | | ------------------- | -------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------- | | `eleven_turbo_v2_5` | Första generationens modell med låg latens (överträffas av Flash-modeller) | `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` | Första generationens modell med låg latens (överträffas av Flash-modeller) | `en` | `eleven_flash_v2` | | `scribe_v1` | Första generationens taligenkänning (överträffas av v2-modeller) | [över 90 språk](/docs/sv/overview/capabilities/speech-to-text#supported-languages) | `scribe_v2` | ## Eleven v4 Eleven v4 är vår toppmoderna talsyntesmodell och levererar ljud av vår högsta kvalitet, uttrycksfullhet och kontroll över hur röster framförs. Eleven v4 har stöd för röstkloning med hög återgivningstrohet och bevarar talarens röst på ett tillförlitligt sätt i långa textgenereringar. Modellen fungerar bra i följande scenarier: * **Karaktärsröster**: Perfekt för spel och animation tack vare sitt känslomässiga omfång. * **Känslomässiga dialoger**: Generera naturliga, verklighetstrogna dialoger med stort känslomässigt omfång och kontextförståelse. * **Ljudboksproduktion**: Perfekt för långa berättelser med komplex känslomässig leverans. * **Flerspråkiga projekt**: Bibehåller jämn röstkvalitet vid språkbyten. Eleven v4 är tillgänglig via [Text to Dialogue API](/docs/sv/api-reference/text-to-dialogue/convert). ### Språk som stöds Modellfamiljen Eleven v4 stöder över 90 språk, bland annat: *Afrikaans (af), arabiska (ar), armeniska (hy), assamesiska (as), asturiska (ast), azerbajdzjanska (az), belarusiska (be), bengaliska (bn), bosniska (bs), bulgariska (bg), burmesiska (my), kantonesiska (yue), katalanska (ca), cebuano (ceb), kroatiska (hr), tjeckiska (cs), danska (da), nederländska (nl), engelska (en), estniska (et), filippinska (fil), finska (fi), franska (fr), galiciska (gl), georgiska (ka), tyska (de), grekiska (el), gujarati (gu), hausa (ha), hebreiska (he), hindi (hi), ungerska (hu), isländska (is), indonesiska (id), iriska (ga), italienska (it), japanska (ja), javanesiska (jv), kannada (kn), kazakiska (kk), koreanska (ko), kirgiziska (ky), lettiska (lv), lingala (ln), litauiska (lt), luxemburgiska (lb), makedonska (mk), malajiska (ms), malayalam (ml), maltesiska (mt), mandarin (zh), maori (mi), marathi (mr), mongoliska (mn), nepalesiska (ne), norska (no), occitanska (oc), odia (or), pashto (ps), persiska (fa), polska (pl), portugisiska (pt), punjabi (pa), rumänska (ro), ryska (ru), serbiska (sr), sindhi (sd), slovakiska (sk), slovenska (sl), somaliska (so), spanska (es), swahili (sw), svenska (sv), tadzjikiska (tg), tamil (ta), telugu (te), thailändska (th), turkiska (tr), ukrainska (uk), urdu (ur), uzbekiska (uz), vietnamesiska (vi), walesiska (cy), yoruba (yo).* > **Note** > > Parametern `language_code` accepterar tvåbokstavskoder enligt [ISO 639-1](https://en.wikipedia.org/wiki/ISO_639-1) > för de flesta språk. Språk utan en ISO 639-1-kod använder trebokstavskoder enligt [ISO 639-3](https://en.wikipedia.org/wiki/ISO_639-3): asturiska (`ast`), kantonesiska > (`yue`), cebuano (`ceb`) och filippinska (`fil`). ## Eleven v4 Turbo Eleven v4 Turbo är vår toppmoderna modell för talsyntes i realtid och levererar ljud av hög kvalitet, uttrycksfullhet och kontroll över hur röster framförs. Eleven v4 Turbo har stöd för röstkloning med hög återgivningstrohet och levererar resultat med en medianlatens för inferens på \~100 ms. Modellen fungerar bra i följande scenarier: * **Supportagenter**: Driv röstagenter som löser kundfrågor i realtid. * **AI-assistenter**: Generera naturliga, verklighetstrogna dialoger med stort känslomässigt omfång och kontextförståelse. * **Interaktiva karaktärer**: Utmärkt för ljudupplevelser med uttrycksfulla karaktärer. Eleven v4 Turbo är tillgänglig via [Text to Dialogue-websocket](/docs/sv/eleven-api/guides/how-to/websockets/realtime-tdd). ### Språk som stöds Modellfamiljen Eleven v4 stöder över 90 språk, bland annat: *Afrikaans (af), arabiska (ar), armeniska (hy), assamesiska (as), asturiska (ast), azerbajdzjanska (az), belarusiska (be), bengaliska (bn), bosniska (bs), bulgariska (bg), burmesiska (my), kantonesiska (yue), katalanska (ca), cebuano (ceb), kroatiska (hr), tjeckiska (cs), danska (da), nederländska (nl), engelska (en), estniska (et), filippinska (fil), finska (fi), franska (fr), galiciska (gl), georgiska (ka), tyska (de), grekiska (el), gujarati (gu), hausa (ha), hebreiska (he), hindi (hi), ungerska (hu), isländska (is), indonesiska (id), iriska (ga), italienska (it), japanska (ja), javanesiska (jv), kannada (kn), kazakiska (kk), koreanska (ko), kirgiziska (ky), lettiska (lv), lingala (ln), litauiska (lt), luxemburgiska (lb), makedonska (mk), malajiska (ms), malayalam (ml), maltesiska (mt), mandarin (zh), maori (mi), marathi (mr), mongoliska (mn), nepalesiska (ne), norska (no), occitanska (oc), odia (or), pashto (ps), persiska (fa), polska (pl), portugisiska (pt), punjabi (pa), rumänska (ro), ryska (ru), serbiska (sr), sindhi (sd), slovakiska (sk), slovenska (sl), somaliska (so), spanska (es), swahili (sw), svenska (sv), tadzjikiska (tg), tamil (ta), telugu (te), thailändska (th), turkiska (tr), ukrainska (uk), urdu (ur), uzbekiska (uz), vietnamesiska (vi), walesiska (cy), yoruba (yo).* > **Note** > > Parametern `language_code` accepterar tvåbokstavskoder enligt [ISO 639-1](https://en.wikipedia.org/wiki/ISO_639-1) > för de flesta språk. Språk utan en ISO 639-1-kod använder trebokstavskoder enligt [ISO 639-3](https://en.wikipedia.org/wiki/ISO_639-3): asturiska (`ast`), kantonesiska > (`yue`), cebuano (`ceb`) och filippinska (`fil`). ## Eleven v3 Eleven v3 är vår föregående generations talsyntesmodell som producerar naturligt, verklighetstroget tal med stort känslomässigt omfång och kontextförståelse på flera språk. Med Eleven v3 får du ett nytt Text to Dialogue API, som låter dig generera naturliga, verklighetstrogna dialoger med stort känslomässigt omfång och kontextförståelse på flera språk. Eleven v3 kan även användas med Text to Speech API för att generera naturligt, verklighetstroget tal med stort känslomässigt omfång och kontextförståelse på flera språk. Läs mer om Text to Dialogue API [här](/docs/sv/overview/capabilities/text-to-dialogue). ### Språk som stöds Modellen Eleven v3 stöder över 70 språk, bland annat: *Afrikaans (af), arabiska (ar), armeniska (hy), assamesiska (as), asturiska (ast), azerbajdzjanska (az), belarusiska (be), bengaliska (bn), bosniska (bs), bulgariska (bg), burmesiska (my), kantonesiska (yue), katalanska (ca), cebuano (ceb), chichewa (ny), kroatiska (hr), tjeckiska (cs), danska (da), nederländska (nl), engelska (en), estniska (et), filippinska (fil), finska (fi), franska (fr), galiciska (gl), georgiska (ka), tyska (de), grekiska (el), gujarati (gu), hausa (ha), hebreiska (he), hindi (hi), ungerska (hu), isländska (is), indonesiska (id), iriska (ga), italienska (it), japanska (ja), javanesiska (jv), kannada (kn), kazakiska (kk), kirgiziska (ky), koreanska (ko), lettiska (lv), lingala (ln), litauiska (lt), luxemburgiska (lb), makedonska (mk), malajiska (ms), malayalam (ml), maltesiska (mt), mandarin (zh), maori (mi), marathi (mr), mongoliska (mn), nepalesiska (ne), norska (no), occitanska (oc), odia (or), pashto (ps), persiska (fa), polska (pl), portugisiska (pt), punjabi (pa), rumänska (ro), ryska (ru), serbiska (sr), sindhi (sd), slovakiska (sk), slovenska (sl), somaliska (so), spanska (es), swahili (sw), svenska (sv), tadzjikiska (tg), tamil (ta), telugu (te), thailändska (th), turkiska (tr), ukrainska (uk), urdu (ur), uzbekiska (uz), vietnamesiska (vi), walesiska (cy), yoruba (yo).* > **Note** > > Parametern `language_code` accepterar tvåbokstavskoder enligt [ISO 639-1](https://en.wikipedia.org/wiki/ISO_639-1) > för de flesta språk. Språk utan en ISO 639-1-kod använder trebokstavskoder enligt [ISO 639-3](https://en.wikipedia.org/wiki/ISO_639-3): asturiska (`ast`), kantonesiska > (`yue`), cebuano (`ceb`) och filippinska (`fil`). ## Eleven v3 Conversational Eleven v3 Conversational är vår föregående generations modell för talsyntes i realtid. Den producerar naturligt, verklighetstroget tal med stort känslomässigt omfång och kontextförståelse på flera språk. Med Eleven v3 Conversational får du en ny Text to Dialogue WebSocket, som låter dig generera naturliga, verklighetstrogna dialoger med stort känslomässigt omfång och kontextförståelse på flera språk. Med Eleven v3 Conversational får du en ny Text to Dialogue WebSocket, som låter dig generera naturliga, verklighetstrogna dialoger med stort känslomässigt omfång och kontextförståelse på flera språk. Läs mer om Text to Dialogue WebSocket [här](/docs/sv/eleven-api/guides/how-to/websockets/realtime-tdd). ### Språk som stöds Modellen Eleven v3 stöder över 70 språk, bland annat: *Afrikaans (af), arabiska (ar), armeniska (hy), assamesiska (as), asturiska (ast), azerbajdzjanska (az), belarusiska (be), bengaliska (bn), bosniska (bs), bulgariska (bg), burmesiska (my), kantonesiska (yue), katalanska (ca), cebuano (ceb), chichewa (ny), kroatiska (hr), tjeckiska (cs), danska (da), nederländska (nl), engelska (en), estniska (et), filippinska (fil), finska (fi), franska (fr), galiciska (gl), georgiska (ka), tyska (de), grekiska (el), gujarati (gu), hausa (ha), hebreiska (he), hindi (hi), ungerska (hu), isländska (is), indonesiska (id), iriska (ga), italienska (it), japanska (ja), javanesiska (jv), kannada (kn), kazakiska (kk), kirgiziska (ky), koreanska (ko), lettiska (lv), lingala (ln), litauiska (lt), luxemburgiska (lb), makedonska (mk), malajiska (ms), malayalam (ml), maltesiska (mt), mandarin (zh), maori (mi), marathi (mr), mongoliska (mn), nepalesiska (ne), norska (no), occitanska (oc), odia (or), pashto (ps), persiska (fa), polska (pl), portugisiska (pt), punjabi (pa), rumänska (ro), ryska (ru), serbiska (sr), sindhi (sd), slovakiska (sk), slovenska (sl), somaliska (so), spanska (es), swahili (sw), svenska (sv), tadzjikiska (tg), tamil (ta), telugu (te), thailändska (th), turkiska (tr), ukrainska (uk), urdu (ur), uzbekiska (uz), vietnamesiska (vi), walesiska (cy), yoruba (yo).* > **Note** > > Parametern `language_code` accepterar tvåbokstavskoder enligt [ISO 639-1](https://en.wikipedia.org/wiki/ISO_639-1) > för de flesta språk. Språk utan en ISO 639-1-kod använder trebokstavskoder enligt [ISO 639-3](https://en.wikipedia.org/wiki/ISO_639-3): asturiska (`ast`), kantonesiska > (`yue`), cebuano (`ceb`) och filippinska (`fil`). ## Multilingual v2 Eleven Multilingual v2 är en känslomedveten talsyntesmodell från en tidigare generation. Den producerar naturligt, verklighetstroget tal med stort känslomässigt omfång och kontextförståelse på flera språk. Modellen ger jämn röstkvalitet och personlighet på alla språk som stöds, samtidigt som talarens unika egenskaper och accent behålls. Den här modellen utmärker sig i scenarier som kräver högkvalitativt och känslomässigt nyanserat tal: * **Karaktärsröster**: Perfekt för spel och animation tack vare sitt känslomässiga omfång. * **Professionellt innehåll**: Väl lämpad för företagsvideor och e-utbildningsmaterial. * **Flerspråkiga projekt**: Bibehåller jämn röstkvalitet vid språkbyten. * **Stabil kvalitet**: Producerar jämn ljudutdata av hög kvalitet. Även om den har högre latens och kostnad per tecken än Flash-modeller, ger den överlägsen kvalitet för projekt där verklighetstroget tal är viktigt. Våra flerspråkiga v2-modeller har stöd för 29 språk: *Engelska (USA, Storbritannien, Australien, Kanada), japanska, kinesiska, tyska, hindi, franska (Frankrike, Kanada), koreanska, portugisiska (Brasilien, Portugal), italienska, spanska (Spanien, Mexiko), indonesiska, nederländska, turkiska, filippinska, polska, svenska, bulgariska, rumänska, arabiska (Saudiarabien, Förenade Arabemiraten), tjeckiska, grekiska, finska, kroatiska, malajiska, slovakiska, danska, tamil, ukrainska och ryska.* ## Flash v2.5 Eleven Flash v2.5 är vår snabbaste talsyntesmodell, utformad för realtidsapplikationer och Agents Platform. Den levererar högkvalitativt tal med ultralåg latens (\~75 ms†) på 32 språk. Modellen balanserar hastighet och kvalitet, vilket gör den perfekt för interaktiva applikationer samtidigt som den bibehåller naturligt ljudande utdata och jämna röstegenskaper mellan språk. Den här modellen passar särskilt bra för: * **Agents Platform**: Perfekt för röstagenter och chattbotar i realtid. * **Interaktiva applikationer**: Perfekt för spel och applikationer som kräver omedelbar respons. * **Storskalig bearbetning**: Effektiv för storskalig text-till-tal-konvertering. Med sitt lägre pris för API-genereringar och 75 ms latens är Flash v2.5 det kostnadseffektiva alternativet för alla som behöver snabb, tillförlitlig talsyntes på flera språk. Flash v2.5 har stöd för 32 språk – alla språk från v2-modellerna samt: *Ungerska, norska och vietnamesiska* † Exklusive applikations- och nätverkslatens. Se [Förstå latens](/docs/sv/eleven-api/concepts/latency). ### Att tänka på #### Textnormalisering med siffror När du använder Flash v2.5 normaliseras siffror inte som standard på det sätt du kanske förväntar dig. Telefonnumret kan till exempel läsas upp på ett sätt som inte är tydligt för användaren. Datum och valutor påverkas på liknande sätt. Textnormalisering är som standard inaktiverad för Flash v2.5 för att bibehålla den låga latensen. Enterprise-kunder kan dock nu aktivera textnormalisering för v2.5-modeller genom att ange parametern `apply_text_normalization` till "on" i din förfrågan. Modellen Multilingual v2 normaliserar siffror bättre, så vi rekommenderar att du använder den för telefonnummer och andra fall där siffernormalisering är viktig. För applikationer med låg latens eller Agents Platform är bästa praxis att låta din LLM [normalisera texten](/docs/sv/overview/capabilities/text-to-speech/best-practices#text-normalization) innan du skickar den till TTS-modellen, eller använda parametern `apply_text_normalization` (endast Enterprise-planer för v2.5-modeller). ## Guide för modellval För vägledning om vilken modell som passar dina behov och ditt användningsfall bäst, se [guiden för modellval](/docs/sv/eleven-api/choosing-the-right-model). #### Krav #### Kvalitet Använd `eleven_v4` eller `eleven_multilingual_v2` Bäst för ljudutdata med hög återgivningstrohet och rikt känslouttryck #### Låg latens Använd `eleven_v4_turbo` Optimerad för realtidsapplikationer (\~100 ms latens) #### Användningsfall #### Innehållsskapande Använd `eleven_v4` eller `eleven_multilingual_v2` Perfekt för professionellt innehåll, ljudböcker och videoberättarröster. #### Agents Platform Använd `eleven_v4_turbo`, `eleven_flash_v2_5`, `eleven_flash_v2` eller `eleven_multilingual_v2` Perfekt för konversationsapplikationer i realtid. Använd `eleven_v4_turbo` för den mest uttrycksfulla leveransen. #### Röstförändrare Använd `eleven_multilingual_sts_v2` Specialiserad för Speech-to-Speech-konvertering ## Teckenbegränsningar Det maximala antalet tecken som stöds i en enskild text-till-tal-förfrågan varierar beroende på modell. | Modell-ID | Teckengräns | Ungefärlig ljudlängd | | ------------------------ | ----------- | -------------------- | | `eleven_v4` | 10 000 | \~10 minuter | | `eleven_v3` | 5 000 | \~5 minuter | | `eleven_flash_v2_5` | 40 000 | \~40 minuter | | `eleven_flash_v2` | 30 000 | \~30 minuter | | `eleven_multilingual_v2` | 10 000 | \~10 minuter | | `eleven_multilingual_v1` | 10 000 | \~10 minuter | | `eleven_english_sts_v2` | 10 000 | \~10 minuter | | `eleven_english_sts_v1` | 10 000 | \~10 minuter | > **Note** > > För längre innehåll bör du överväga att dela upp indata i flera förfrågningar. ## Scribe v2 Scribe v2 är vår toppmoderna taligenkänningsmodell, utformad för korrekt transkribering på över 90 språk. Den ger exakta tidsstämplar på ordnivå och avancerade funktioner som talardiarisering och dynamisk ljudtaggning. Den här modellen utmärker sig i scenarier som kräver korrekt tal-till-text-konvertering: * **Transkriberingstjänster**: Perfekt för att konvertera ljud- och videoinnehåll till text * **Mötesdokumentation**: Perfekt för att fånga och dokumentera samtal * **Innehållsanalys**: Väl lämpad för bearbetning och analys av ljudinnehåll * **Flerspråkig igenkänning**: Stöder korrekt transkribering på över 90 språk Viktiga funktioner: * Korrekt transkribering med tidsstämplar på ordnivå * Talardiarisering för ljud med flera talare * Dynamisk ljudtaggning för mer kontext * Stöd för över 90 språk * Entitetsidentifiering * Nyckeltermsinmatning * Redigering av transkript Läs mer om Scribe v2 [här](/docs/sv/overview/capabilities/speech-to-text). ## Scribe v2 Realtime Scribe v2 Realtime, vår snabbaste och mest exakta modell för live-taligenkänning, ger toppmodern precision på över 90 språk med en ultralåg latens på 150 ms. Den här modellen utmärker sig i konversationsbaserade användningsfall: * **Live-transkribering av möten**: Perfekt för transkribering i realtid * **AI-agenter**: Perfekt för livesamtal * **Flerspråkig igenkänning**: Stöder korrekt transkribering på över 90 språk med automatisk språkigenkänning Viktiga funktioner: * Ultralåg latens: Få partiella transkriberingar på \~150 millisekunder * Stöd för streaming: Skicka ljud i delar medan du tar emot transkript i realtid * Flera ljudformat: Stöd för PCM (8 kHz till 48 kHz) och μ-law-kodning * Voice Activity Detection (VAD): Automatisk segmentering av tal baserat på tystnadsidentifiering * Manuell commit-kontroll: Full kontroll över när transkriptsegment ska slutföras * Entitetsidentifiering * Redigering av transkript Läs mer om Scribe v2 Realtime [här](/docs/sv/overview/capabilities/speech-to-text). ## Scribe v2 Medical Scribe v2 Medical är en batchmodell för taligenkänning som är specialiserad på medicinskt och kliniskt ljud. Den är en finjusterad version av Scribe v2 som förbättrar igenkänningen av läkemedelsnamn, anatomi, patologi och klinisk diktering, samtidigt som den matchar Scribe v2:s precision för vardagligt tal. Den använder samma Speech to Text API som Scribe v2 och debiteras till samma pris. Skicka `scribe_v2_medical` som `model_id`. > **Note** > > ### Avsett användningsområde > > Scribe v2 Medical är en batchmodell för Speech-to-Text API som utvecklare och > organisationer kan integrera i applikationer som omvandlar kliniskt ljud, inklusive > samtal mellan vårdpersonal och patienter, diktering, inringnings- och vårdsamordningssamtal, till utkast > av transkript för dokumentation och relaterade administrativa arbetsflöden. Den resulterande texten är avsedd > att granskas och korrigeras av vårdpersonal eller annan behörig användare före användning. Scribe > v2 Medical är inte avsedd att tolka klinisk information eller ge diagnoser, behandlings- > rekommendationer, kliniska beslut eller annan klinisk vägledning. Den här modellen passar bra för: * **Klinisk dokumentation**: Omgivande samtal och anteckningar där medicinska termer förekommer mitt i samtalet * **Diktering**: Täta sekvenser av läkemedel, doseringar och fynd * **Inringnings- och samordningssamtal**: Patienter som beskriver sina egna tillstånd, ofta via telefon * **Efterlevnadsarbetsflöden**: Kombinera med [entitetsidentifiering](/docs/sv/eleven-api/guides/how-to/speech-to-text/batch/entity-detection) för PHI-kategorier Viktiga funktioner: * Samma förfrågningsformat som Scribe v2 (`keyterms`, `entity_detection`, `no_verbatim`, diarization, timestamps) * Förbättrad igenkänning av läkemedelsnamn samt anatomiska och patologiska termer * Ingen försämring för vardagligt tal jämfört med Scribe v2 * Stöd för över 90 språk * Talardiarisering för ljud med flera talare * Dynamisk ljudtaggning * Entitetsidentifiering, inklusive PHI-kategorier Scribe v2 Medical är en batchmodell. Använd Scribe v2 Realtime för live-transkribering. Scribe v2 Medical omfattas av HIPAA, med Business Associate Agreements tillgängliga för Enterprise-kunder samt Zero Retention Mode (ZRM). När ZRM är aktiverat raderas ljudindata och textutdata direkt efter att varje förfrågan har slutförts. ElevenLabs sparar ingenting, och din applikation får hela API-svaret och behåller transkript under dina egna kontroller. > **Info** > > Företag som behöver följa HIPAA måste kontakta [ElevenLabs Sales](https://elevenlabs.io/contact-sales) för att teckna ett Business Associate Agreement (BAA) innan > de skickar skyddad hälsoinformation. Läs mer om Speech to Text [här](/docs/sv/overview/capabilities/speech-to-text). ## Eleven Realtime Eleven Realtime är en ny typ av Speech to Speech-modeller för att bygga naturliga röstagenter. Varje Realtime-modell är en komplett röstagent: taligenkänning, röstaktivitetsidentifiering och turtagning, LLM och text till tal, utvalda och finjusterade av ElevenLabs för att fungera tillsammans som ett system. Välj en Realtime-modell så får du en välpresterande agent genom ett enda val, utan komponenter att konfigurera. Två Realtime-modeller är tillgängliga. **Eleven Realtime v1 Mini** är optimerad för snabba, naturliga samtal och fungerar bra i följande scenarier: * **AI-assistenter**: Snabb, uttrycksfull dialog där själva samtalet är produkten. * **Utbildningshandledare**: Naturliga samtal fram och tillbaka som följer elevens tempo. * **Interaktiva karaktärer**: Uttrycksfulla karaktärer för spel och underhållning. **Eleven Realtime v1 Max** är optimerad för komplexa uppgifter och fungerar bra i följande scenarier: * **Kundsupport**: Löser frågor som kräver att följa en process och slå upp information. * **Kvalificering av leads**: Strukturerade samtal som samlar in information och avgör nästa steg. * **Arbetsflöden i flera steg**: Uppgifter som anropar verktyg för att slå upp information eller utföra åtgärder. Viktiga funktioner: * Taligenkänning, turtagning, språkmodell och röst i ett modellval * Naturlig turtagning och hantering av avbrott * Verktygsanrop * Anpassningsbara röster från ElevenLabs röstbibliotek * Stöd för över 90 språk * Växla mellan v1 Mini och v1 Max genom ett modellval, utan att ändra integrationen Eleven Realtime är tillgänglig i ElevenAgents, där du väljer en Realtime-modell i modellmenyn, och via Realtime API, som är utformat för att vara kompatibelt med OpenAI:s Realtime API över WebSocket. Om du redan använder OpenAI:s Realtime API, se [migreringsguiden](/docs/sv/eleven-agents/guides/openai-realtime-compatibility). ### Språk som stöds Realtime-modeller har stöd för över 90 språk. Se [språklistan för Eleven v4](/docs/sv/overview/models#supported-languages). Läs mer om Eleven Realtime [här](/docs/sv/eleven-agents/customization/realtime-models). ## Eleven Music Eleven Music är vår musikgenereringsmodell i studiokvalitet. Den låter dig generera musik i valfri stil med prompter på naturligt språk. Den här modellen passar utmärkt för följande scenarier: * **Musik för spel**: Skapa uppslukande musik för spel * **Bakgrundsmusik för poddar**: Förbättra poddar med professionell musik * **Marknadsföring**: Lägg till bakgrundsmusik i annonsvideor Viktiga funktioner: * Fullständig kontroll över genre, stil och struktur * Sång eller endast instrumentalt * Flerspråkig, inklusive engelska, spanska, tyska, japanska med mera * Redigera ljudet och texten i enskilda avsnitt eller hela låten Läs mer om Eleven Music [här](/docs/sv/overview/capabilities/music). ## Samtidighet och prioritet Din prenumerationsplan avgör hur många begäranden som kan behandlas samtidigt och vilken prioritetsnivå dina begäranden har i kön. Speech to Text har en högre samtidighetsgräns. När samtidighetsgränsen har nåtts behandlas efterföljande begäranden i en kö tillsammans med begäranden med lägre prioritet. I praktiken tillkommer vanligtvis bara cirka 50 ms latens. | Plan | Samtidighetsgräns (Multilingual v2) | Samtidighetsgräns (Flash) | STT-samtidighetsgräns | Samtidighetsgräns för Realtime STT | Samtidighetsgräns för Music | Prioritetsnivå | | ---------- | ------------------------------------ | -------------------------- | --------------------- | ---------------------------------- | --------------------------- | -------------- | | Free | 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 | Högre | Högre | Högre | Högre | Högst | 6 | > **Note** > > Mottagare av startup-bidrag får förmåner på Scale-nivå. Svarshuvudena innehåller `current-concurrent-requests` och `maximum-concurrent-requests`, som du kan använda för att övervaka din samtidighet. ### API-begäranden per minut jämfört med samtidiga begäranden Det är viktigt att förstå att **API-begäranden per minut** och **samtidiga begäranden** är olika mått som beror på dina användningsmönster. API-begäranden per minut kan skilja sig från samtidiga begäranden eftersom det beror på hur lång tid varje begäran tar och hur begärandena grupperas. **Exempel 1: Utspridda begäranden** Om du hade 180 begäranden per minut som var och en tog 1 sekund att slutföra och du skickade dem med 0,33 sekunders mellanrum, skulle det maximala antalet samtidiga begäranden vara 3 och genomsnittet skulle vara 3, eftersom det alltid skulle finnas 3 pågående begäranden. **Exempel 2: Gruppvisa begäranden** Om du däremot hade ett annat användningsmönster, till exempel 180 begäranden per minut som var och en tog 3 sekunder att slutföra men alla skickades samtidigt, skulle det maximala antalet samtidiga begäranden vara 180 och genomsnittet skulle vara 9 (under minutens första 3 sekunder skickades 180 begäranden samtidigt, under de sista 57 sekunderna skickades 0 begäranden). Eftersom vårt system fokuserar på samtidighet är antalet begäranden per minut mindre viktigt än hur lång tid varje begäran tar och mönstret för när de skickas. Hur endpoint-begäranden görs påverkar samtidighetsgränserna: * Med HTTP räknas varje begäran individuellt mot din samtidighetsgräns. * Med Text to Speech WebSocket räknas endast tiden då vår modell genererar ljud mot din samtidighetsgräns. Det innebär att en öppen websocket oftast inte alls räknas mot din samtidighetsgräns. * Text to Dialogue WebSockets fungerar annorlunda: varje öppen anslutning reserverar en dialogsession från en separat pool så länge den är öppen, och ljud som genereras via anslutningen räknas inte mot din vanliga samtidighetsgräns. Det är utformat för att vara enklare att förstå, eftersom en anslutning motsvarar en session, och dina gränser för dialogsessioner är dimensionerade för denna nya metod för samtidighet. Se [Text to Dialogue-samtidighet](#text-to-dialogue-concurrency). ### Förstå samtidighetsgränser Samtidighetsgränsen för din plan ska inte tolkas som det maximala antalet samtidiga konversationer, telefonsamtal, karaktärsvoice-overs osv. som kan hanteras samtidigt. Det faktiska antalet beror på flera faktorer, inklusive vilka specifika AI-röster som används och användningsområdets egenskaper. Som en generell tumregel kan en samtidighetsgräns på 5 vanligtvis hantera upp till cirka 100 samtidiga ljudsändningar. Det beror på hastigheten med vilken ljud genereras i förhållande till den tid det tar att behandla TTS-begäran. Diagrammet nedan visar ett exempel på hur 4 samtidiga samtal med olika användare kan hanteras samtidigt som endast 2 samtidiga begäranden används. ![Samtidighetsgränser](/docs/_fern-files/_img/dcc5e3bd18993a9f862bd526f3dc1b32cfa89003a58ded6f4f6a7bda1bd5a2ea.webp) #### Skapa AI-röstassistenter När TTS används för att möjliggöra dialog kan en samtidighetsgräns på 5 hantera omkring 100 sändningar för balanserade konversationer mellan AI-agenter och mänskliga deltagare. För användningsfall där AI-agenten talar mer sällan än människan, till exempel kundsupportinteraktioner, kan fler än 100 samtidiga konversationer hanteras. #### Karaktärsvoice-overs Generellt kan fler än 100 samtidiga karaktärsvoice-overs hanteras med en samtidighetsgräns på 5. Antalet kan variera beroende på karaktärens dialogfrekvens, längden på pauser och handlingar i spelet mellan replikerna. #### Live-dubbning Samtidiga dubbningsströmmar följer generellt den angivna tumregeln. Om sändningen innehåller perioder med pauser i samtalet (t.ex. på grund av ett soundtrack, visuella scener osv.) kan fler samtidiga dubbningsströmmar än förslaget vara möjliga. Om du någon gång överskrider din plans samtidighetsgränser och använder Enterprise-planen kan modellbegäranden ändå lyckas, men långsammare, i mån av tillgänglig kapacitet. > **Note** > > Om du vill höja din samtidighetsgräns och köprioritet kan du [uppgradera din prenumerationsplan](https://elevenlabs.io/pricing/api). > > Enterprise-kunder kan begära en högre samtidighetsgräns genom att kontakta sin account manager. ### Text to Dialogue-samtidighet Text to Dialogue-begäranden mäts på två olika sätt beroende på hur du anropar API:et: * **HTTP-endpoints** ([Skapa dialog](/docs/sv/api-reference/text-to-dialogue/convert) och [Strömma dialog](/docs/sv/api-reference/text-to-dialogue/stream)) räknas mot din plans vanliga samtidighetsgräns medan ljud genereras, precis som andra Text to Speech-begäranden. * **WebSocket-endpoints** som [Text to Dialogue WebSocket](/docs/sv/api-reference/text-to-dialogue/ttd-websocket) mäts som **dialogsessioner**. En öppen anslutning håller en dialogsession så länge den är öppen, oavsett om ljud genereras just nu eller inte. Sessionsbaserad mätning gör kapacitetsplaneringen enkel: en anslutning är en session, så din användning varierar inte med genereringsaktiviteten. Eftersom en session hålls under hela anslutningen i stället för bara medan ljud genereras, är dina gränser för dialogsessioner dimensionerade för denna nya metod för samtidighet. | Plan | WebSocket-sessioner | | ---------- | ------------------- | | Free | 14 | | Starter | 21 | | Creator | 35 | | Pro | 70 | | Scale | 105 | | Business | 105 | | Enterprise | Högre | Om du öppnar en anslutning medan alla arbetsytans dialogsessioner används avvisas den nya anslutningen med felet `too_many_concurrent_requests`. Frigör sessioner genom att stänga anslutningar du inte längre behöver — en anslutning stängs också automatiskt efter 20 sekunders inaktivitet, om du inte skickar `keep_alive`-meddelanden. För att övervaka dialogsessioner öppnar du **Developers** längst ned i instrumentpanelens sidofält, väljer fliken **Analytics** och visar mätvärdet **Concurrent requests** i vyn Usage. Dialogsessioner rapporteras som en egen serie, **TTD Websocket Sessions**, separat från dina andra samtidiga begäranden. ### Samtidighetsgränser vid skaltestning Skaltestning kan vara användbart för att identifiera skalningsproblem på klientsidan och verifiera att samtidighetsgränserna är rätt inställda för ditt användningsfall. Vi rekommenderar starkt att testa kompletta arbetsflöden så nära verklig användning som möjligt. Den rekommenderade metoden är att simulera och mäta hur många användare som kan hanteras. Det är viktigt att: * Simulera användare, inte enbart begäranden * Simulera typiskt användarbeteende, som att vänta tills ljuduppspelning, användarens tal eller transkribering är klar innan begäranden görs * Öka antalet användare långsamt under några minuter * Lägga till slumpmässighet i tidpunkterna för begäranden och i begärandenas storlek * Samla in latensmått och eventuella felkoder som returneras från API:et För att exempelvis testa ett agentsystem som är utformat för att stödja 100 samtidiga konversationer skapar du upp till 100 enskilda "användare" som var och en simulerar en konversation. Konversationer består vanligtvis av en upprepad cykel med cirka 10 sekunders tal från användaren, följt av ett TTS API-anrop för cirka 150 tecken, följt av cirka 10 sekunders ljuduppspelning för användaren. Därför bör varje användare följa mönstret att göra ett Text-to-Speech API-anrop via websocket för 150 tecken text var 20:e sekund, med en liten mängd slumpmässighet i väntetiden och antalet begärda tecken. Testet skulle bestå av att starta en användare per sekund tills 100 finns och sedan testa i totalt 10 minuter för att testa den övergripande stabiliteten. #### Exempel på skript för skaltestning Det här exemplet använder [locust](https://locust.io/) som testramverk med direkta API-anrop till ElevenLabs API. Det följer exemplet ovan och testar ett system för en konversationsagent där varje användare skickar 1 begäran var 20:e sekund. **`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 ```