带时间戳的文本转对话

POST

/v1/text-to-dialogue/with-timestamps

POST

/v1/text-to-dialogue/with-timestamps

curl -X POST https://api.elevenlabs.io/v1/text-to-dialogue/with-timestamps \
     -H "Content-Type: application/json" \
     -d '{
  "inputs": [
    {
      "text": "Hello, how are you?",
      "voice_id": "bYTqZQo3Jz7LQtmGTgwi"
    },
    {
      "text": "I'\''m doing well, thank you!",
      "voice_id": "6lCwbsX1yVjD49QmpkTR"
    }
  ]
}'

{
  "audio_base64": "base64_encoded_audio_string",
  "voice_segments": [
    {
      "voice_id": "21m00Tcm4TlvDq8ikWAM",
      "start_time_seconds": 0,
      "end_time_seconds": 0.5,
      "character_start_index": 0,
      "character_end_index": 5,
      "dialogue_input_index": 0
    },
    {
      "voice_id": "VEDscrYI8uIMttlO2Ztu",
      "start_time_seconds": 0.5,
      "end_time_seconds": 0.7,
      "character_start_index": 5,
      "character_end_index": 7,
      "dialogue_input_index": 1
    }
  ],
  "alignment": {
    "characters": [
      "H",
      "e",
      "l",
      "l",
      "o",
      "H",
      "i"
    ],
    "character_start_times_seconds": [
      0,
      0.1,
      0.2,
      0.3,
      0.4,
      0.5,
      0.6
    ],
    "character_end_times_seconds": [
      0.1,
      0.2,
      0.3,
      0.4,
      0.5,
      0.6,
      0.7
    ]
  },
  "normalized_alignment": {
    "characters": [
      "H",
      "e",
      "l",
      "l",
      "o",
      "H",
      "i"
    ],
    "character_start_times_seconds": [
      0,
      0.1,
      0.2,
      0.3,
      0.4,
      0.5,
      0.6
    ],
    "character_end_times_seconds": [
      0.1,
      0.2,
      0.3,
      0.4,
      0.5,
      0.6,
      0.7
    ]
  }
}

根据文本生成对话，并提供精确的字符级时间信息以实现音文同步。

查询参数

output_formatenum可选默认为 mp3_44100_128

生成音频的输出格式。格式为 codec_sample_rate_bitrate。因此，采样率为 22.05kHz、比特率为 32kbs 的 mp3 表示为 mp3_22050_32。使用 192kbps 比特率的 MP3 需要订阅 Creator 或更高版本。采样率为 44.1kHz 的 PCM 和 WAV 格式需要订阅 Pro 或更高版本。请注意，μ-law 格式（有时写作 mu-law，通常近似写作 u-law）常用于 Twilio 音频输入。

enable_loggingboolean可选默认为 true

当 enable_logging 设为 false 时，此请求将使用零留存模式。这意味着该请求无法使用历史记录功能，包括请求拼接。零留存模式仅限企业版客户使用。

请求

This endpoint expects an object.

inputslist of objects必需

对话输入列表，每项包含将转换为语音的文本和音色 ID。唯一音色 ID 最多为 10 个。为确保生成稳定，每次请求中所有 inputs[].text 值的总字符数应不超过 2,000 个字符。较长的请求可能在流式响应中提前终止，或返回验证错误。

model_idstring可选默认为 eleven_v3

要使用的模型标识符，可通过 GET /v1/models 查询。模型必须支持文本转语音，可通过 can_do_text_to_speech 属性确认。

language_codestring or null可选

用于为模型和文本规范化强制指定语言的语言代码（ISO 639-1）。如果模型不支持提供的语言代码，将忽略该代码。multilingual_v2 模型不支持此参数。

settingsobject or null可选

控制对话生成的设置。

pronunciation_dictionary_locatorslist of objects or null可选

要应用于文本的发音词典定位符（id、version_id）列表。将按顺序应用。每次请求最多可包含 3 个定位符。

seedinteger or null可选

指定后，系统会尽力进行确定性采样，使使用相同种子和参数的重复请求返回相同结果。但不保证完全确定。必须是介于 0 和 4294967295 之间的整数。

apply_text_normalizationenum可选默认为 auto

此参数通过 3 种模式控制文本规范化：‘auto’、‘on’ 和 ‘off’。设为 ‘auto’ 时，系统会自动决定是否应用文本规范化（如将数字读出）。设为 ‘on’ 时始终应用；设为 ‘off’ 时跳过。

允许的值:

use_pvc_as_ivcboolean可选默认为 false

是否使用专业音色的 IVC 版本。这可能提升表现力并降低延迟。

previous_request_idslist of strings or null可选

本次对话生成之前的 request_ids 列表。将大型任务拆分为多个请求时，用于让模型保持连贯性。最多可发送 3 个 request_ids。最后一个 request_id 对应的音频最接近当前请求。并非所有模型都支持此功能。

next_request_idslist of strings or null可选

本次对话生成之后的 request_ids 列表。重新生成序列中间的片段时，可用于保持连贯性。最多可发送 3 个 request_ids。第一个 request_id 对应的音频最接近当前请求。并非所有模型都支持此功能。

previous_textstring or null可选<=100 characters

紧接在此次生成之前的文本，用于让模型保持韵律连贯性。最多可发送 100 个字符。并非所有模型均支持。

future_textstring or null可选<=100 characters

紧接在此次生成之后的文本，用于让模型保持韵律连贯性。最多可发送 100 个字符。并非所有模型均支持。

响应

成功响应

audio_base64string

Base64 encoded audio data

voice_segmentslist of objects

音频的音色片段

alignmentobject or null可选

原始文本中每个字符的时间戳信息。

normalized_alignmentobject or null可选

规范化文本中每个字符的时间戳信息。

错误

422

Unprocessable Entity Error

请求头

查询参数

请求

响应

错误