> 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.

# 延迟优化

本指南介绍提升文本转语音延迟表现的核心原则。如需了解延迟的概念及其影响因素，请参阅[了解延迟](/docs/zh/eleven-api/concepts/latency)。

虽然有许多具体技术，我们会将其归纳为 **4 项原则**。

#### 4 项原则

1. [使用 Flash 模型](#use-flash-models)
2. [利用流式传输](#leverage-streaming)
3. [考虑地理位置邻近性](#consider-geographic-proximity)
4. [选择合适的音色](#choose-appropriate-voices)

> **Success**
>
> 企业版客户可享受更高的并发限制和渲染队列优先访问权。[联系销售团队](https://elevenlabs.io/contact-sales)，了解更多企业版套餐信息。

## 使用 Flash 模型

[Flash 模型](/docs/zh/overview/models#flash-v25)的推理速度约为 75ms，非常适合实时应用。与 [Multilingual v2](/docs/zh/overview/models#multilingual-v2) 相比，其代价是音频质量略有降低。

> **Info**
>
> 75ms 仅指模型推理时间。实际端到端延迟会因位置和所用端点类型等因素而异。

## 利用流式传输

我们的 [API 参考文档](/docs/zh/api-reference/introduction)提供 3 类文本转语音端点：

* **常规端点**：在单次响应中返回完整音频文件。
* **流式端点**：使用[服务器发送事件](https://html.spec.whatwg.org/multipage/server-sent-events.html#server-sent-events)逐步返回音频块。
* **WebSocket 端点**：支持双向流式传输，实现实时音频生成。

### 流式传输

流式端点会在实时生成音频时逐步返回，从而减少首字节时间。建议在输入文本可预先获得的情况下使用此端点。

> **Info**
>
> [文本转语音](/docs/zh/api-reference/text-to-speech/stream) API、[变声器](/docs/zh/api-reference/speech-to-speech/stream) API 和[音频分离](/docs/zh/api-reference/audio-isolation/stream) API 均支持流式传输。

### WebSocket

[文本转语音 WebSocket 端点](/docs/zh/api-reference#text-to-speech-websocket)支持双向流式传输，非常适合具有实时文本输入（例如 LLM 输出）的应用。

> **Tip**
>
> 将 `auto_mode` 设为 true 可自动处理生成触发，无需手动管理分块策略。

如果禁用 `auto_mode`，模型会等待足够文本与分块计划匹配后才开始生成音频。

例如，如果将分块计划设为 125 个字符，但只收到 50 个字符，模型会等待更多字符到达，可能导致延迟增加。

有关实现细节，请参阅[文本转语音 WebSocket 指南](/docs/zh/api-reference#text-to-speech-websocket)。

## 选择合适的音色

我们观察到，在某些情况下，音色选择会影响延迟。以下按速度从快到慢排列：

1. 默认音色（原预制音色）、合成音色和即时语音克隆（IVC）
2. 专业语音克隆（PVC）

更高音频质量的输出格式可能会增加延迟。请在延迟要求与音频保真度需求之间取得平衡。

> **Info**
>
> 我们正积极优化 Flash v2.5 的 PVC 延迟。

## 考虑地理位置邻近性

我们从多个区域提供模型服务，以便根据你的地理位置优化延迟。

例如，使用 Flash 模型和 WebSocket 时，根据所在位置可预期获得以下 TTFB 延迟：

| 区域  | TTFB      |
| --- | --------- |
| 北美  | 100-150ms |
| 欧洲  | 100-150ms |
| 东南亚 | 100-150ms |
| 南亚  | 150-200ms |
| 东北亚 | 150-200ms |

可以检查 API 响应中的 `x-region` 标头，确认哪个后端区域正在处理请求。
目前使用的区域包括：美国、荷兰和新加坡。

> **Info**
>
> 企业版客户可使用专用的欧盟和印度数据驻留环境，确保服务器位置并获得低延迟。请联系销售代表，以接入数据驻留基础设施。

如需退出全球路由并始终使用美国服务器，请为 API 请求使用 `api.us.elevenlabs.io` 基础 URL：

```python
import os
from elevenlabs.client import ElevenLabs

elevenlabs = ElevenLabs(
    api_key=os.getenv("ELEVENLABS_API_KEY"),
    base_url="https://api.us.elevenlabs.io"
)

```

```typescript
import { ElevenLabsClient } from "@elevenlabs/elevenlabs-js";
import "dotenv/config";

const elevenlabs = new ElevenLabsClient({
  apiKey: process.env.ELEVENLABS_API_KEY,
  baseUrl: "https://api.us.elevenlabs.io",
});
```

**`cURL`**

```bash cURL
curl -X POST -v "https://api.us.elevenlabs.io/v1/text-to-speech/{voice_id}" \
  -H "Accept: audio/mpeg" \
  -H "Content-Type: application/json" \
  -H "xi-api-key: YOUR_API_KEY" \
  -d '{
    "text": "Hello World!",
    "model_id": "eleven_flash_v2_5"
  }'
```

> **Warning**
>
> 此前需要使用 `api-global-preview.elevenlabs.io` 基础 URL 才能选择加入全球服务器。现在已默认启用，无需再进行此操作。请将应用更新为直接使用 `api.elevenlabs.io`。