文本转语音与文本转对话 WebSocket 对比

ElevenLabs 提供两种不同的 WebSocket 产品，用于流式传输合成语音。它们解决的问题不同，接受的消息格式不同，面向的模型也不同。

应该使用哪种 WebSocket？

当你为 每个连接使用一个音色（音色固定在 URL 中）流式传输纯文本，并且需要 非 v3 模型（如 Flash 或 Multilingual v2）、可选 SSML、分块计划，或用于智能体式打断处理的 多上下文 变体时，请使用 文本转语音（TTS）WebSocket。

当你需要 Eleven v3 对话能力时，请使用 文本转对话（TTD）WebSocket：富有表现力的语音、每个分块的 voice_id、轮次边界（new_turn），以及与服务器端 v3 相同的面向对话的缓冲机制。

如需进行 批量或 HTTP 流式传输 对话（一次调用提交完整请求），请使用创建对话或流式传输对话，而不是 WebSocket。

对比

何时更适合使用 TTS WebSocket

• 你已集成 Flash 或 Multilingual v2，以满足延迟或语言覆盖需求。
• 每个连接需要一个旁白音色，并希望使用简单的每帧文本协议。
• 需要用于打断和并行话语的 多上下文 编排（多上下文指南）。

有关 TTS WebSocket 的完整操作说明，请参阅实时生成音频。

何时更适合使用 TTD WebSocket

• 面向 Eleven v4 对话（表现力标签、自然对话节奏、多说话人台词）。
• 流式传输脚本化或由 LLM 生成的对话，并且无需新建连接即可按行切换说话音色。
• 希望使用 WebSocket 形式的增量输入，以及服务器端仅适用于 v4 的对话生成。

如需实际操作指南，请参阅实时文本转对话。协议详情请参阅 API 参考文档。

相关指南