ElevenLabs API
Programski dostop do najbolj realistične zvočne platforme AI. Sinteza govora, prepis govora, kloniranje glasu, sinhronizacija, zvočni učinki, ustvarjanje glasbe in pogovorni agenti AI, vse prek API REST, povezave WebSocket in uradnih paketov SDK.
Kaj je
API ElevenLabs razvijalcem omogoča dostop do celotnega nabora zvočnih modelov in zmožnosti AI podjetja ElevenLabs prek končnih točk REST, pretakanja po povezavi WebSocket ter uradnih paketov SDK za Python in TypeScript (trenutno različica 39.x). Poganja sintezo govora (TTS) z več modeli, med njimi najnovejšim Eleven v3 (več kot 70 jezikov, širok razpon čustev), Multilingual v2 (29 jezikov, najbolj stabilen za daljša besedila) in Flash v2.5 (izjemno nizka zakasnitev okoli 75 ms). Poleg sinteze govora API pokriva prepis govora v besedilo (Scribe v2, več kot 90 jezikov), spreminjanje glasu iz govora v govor, kloniranje glasu (takojšnje in profesionalno), samodejno sinhronizacijo, ustvarjanje zvočnih učinkov, ustvarjanje glasbe (s parametrom song_id za sklicevanje in urejanje ustvarjenih skladb), izolacijo glasu in pogovorne agente AI prek platforme ElevenAgents. API WebSocket zdaj podpira dogodke multimodal_message, kar agentom omogoča pošiljanje in prejemanje besedila, slik in drugih vrst medijev poleg zvoka v pogovorih v realnem času. Preverjanje pristnosti poteka prek ključa API, vse končne točke pa podpirajo tako sinhroni HTTP kot pretakanje po povezavi WebSocket za aplikacije v realnem času. API za okoljske spremenljivke razvijalcem omogoča programsko upravljanje konfiguracije in skrivnosti za njihove agente. API uporablja enotni model cen na enoto s krediti, vključenimi v naročniške ravni (od Free do Enterprise), na voljo pa je tudi možnost sprotnega plačevanja porabe. Modela Flash in Turbo staneta 0,05 USD na 1.000 znakov, Multilingual v2/v3 pa 0,10 USD na 1.000 znakov, pri čemer so cene enake na vseh ravneh. Paketi SDK so na voljo za Python, TypeScript/JavaScript, React, Swift in Unity (C#). API v produkciji uporabljajo Disney, Epic Games, NVIDIA, Deutsche Telekom in tisoči drugih podjetij. Je hrbtenica za gradnjo glasovnih izdelkov AI, od platform za zvočne knjige do telefonskih agentov v realnem času.
Za koga
Razvijalce, ki gradijo aplikacije z glasovnimi zmožnostmi, klepetalnike ali agente AI in potrebujejo API za sintezo govora, ki zveni najbolj naravno na trgu
Podjetja, ki z API ElevenAgents WebSocket gradijo pogovorne telefonske agente AI v realnem času, bote za podporo strankam ali večpredstavnostne agente (besedilo, slike in zvok)
Vsebinske platforme in izdelke SaaS, ki svojim uporabnikom dodajajo glasovno pripoved, pripovedovanje ali funkcijo branja na glas
Razvijalce iger, ki prek API vključujejo dinamične dialoge likov, proceduralno glasovno igro in prilagojene zvočne učinke
Medijska podjetja in lokalizacijske ekipe, ki avtomatizirajo sinhronizacijo videa v več kot 29 jezikov ob ohranitvi glasov izvirnih govorcev
Platforme za podkaste in zvočne knjige, ki v velikem obsegu ustvarjajo vsebine s pripovedjo AI s kloniranimi ali oblikovanimi glasovi
Ekipe za dostopnost, ki aplikacijam dodajajo visokokakovosten govorni izhod za slabovidne uporabnike
Prednosti in slabosti
Prednosti
- +Najbolj naravno zveneč API za TTS na trgu. Eleven v3 in Multilingual v2 ustvarita govor, ki ga v večini primerov skoraj ni mogoče ločiti od človeškega glasu.
- +Obsežen nabor API: TTS, STT, kloniranje glasu, sinhronizacija, zvočni učinki, glasba, spreminjanje glasu, izolator glasu in pogovorni agenti AI, vse dostopno z enim samim ključem API.
- +Pretakanje po povezavi WebSocket z izjemno nizko zakasnitvijo (okoli 75 ms s Flash v2.5) je odlična izbira za pogovorne aplikacije v realnem času in glasovne agente v živo.
- +Uradni paketi SDK za Python, TypeScript, React, Swift in Unity (C#) s čistimi, dobro dokumentiranimi vmesniki in hitrim ritmom izdaj (v zadnjih mesecih so izšle različice od 37 do 39). Za začetek potrebujete le nekaj minut.
- +Prilagodljiva izbira modela: glede na svoj primer uporabe izberete med najvišjo kakovostjo (v3/Multilingual v2), najnižjo zakasnitvijo (Flash v2.5) ali uravnoteženo možnostjo (Turbo v2.5).
- +Kloniranje glasu iz enega samega 30-sekundnega zvočnega vzorca razvijalcem omogoča programsko ustvarjanje prilagojenih glasov za njihove aplikacije.
- +Enotna cena na enoto na vseh ravneh in možnost sprotnega plačevanja pomenita, da lahko začnete brezplačno in predvidljivo rastete. Modeli Flash stanejo 0,05 USD na 1.000 znakov, kar je pol cene vrhunskih modelov pri 0,10 USD.
Slabosti
- −Cena na osnovi znakov pri velikih količinah postane draga. TTS z Multilingual v2/v3 stane enotno 0,10 USD na 1.000 znakov na vseh ravneh, kar je občutno več kot pri Amazon Polly ali Google Cloud TTS.
- −Eleven v3 (najboljši model) ima omejitev 5.000 znakov na zahtevo, zato je treba daljše vsebine razdeliti. Modela Flash in Turbo dovoljujeta do 40.000 znakov.
- −Omejitve hkratnosti so na nižjih ravneh razmeroma nizke (2 hkratni zahtevi Multilingual v2 na ravni Free, 3 na Starter). Aplikacije z veliko prometa potrebujejo raven Scale ali višjo.
- −Krediti se ne prenašajo dlje kot dva meseca, neizrabljeni krediti pa zapadejo, če naročnino znižate ali prekličete.
- −Normalizacija besedila (števila, datumi, valute) je pri Flash v2.5 privzeto onemogočena zaradi ohranjanja nizke zakasnitve. Za vklop je potreben paket Enterprise ali predhodna obdelava besedila pred pošiljanjem v API.
- −Cena ElevenAgents (Speech Engine) 0,08 USD na minuto je zdaj javna, med konicami pa velja povišana cena (0,16 USD/min). Za cene Enterprise za glasovne agente z visoko hkratnostjo se je še vedno treba obrniti na prodajo.
Cenik
- 10.000 kreditov na mesec (okoli 10 min TTS z Multilingual v2)
- okoli 20 min TTS z modeli Flash
- 4,5 ure prepisa govora
- 30.000 kreditov na mesec (okoli 60 min Multilingual, okoli 120 min Flash)
- 27 ur prepisa govora
- Takojšnje kloniranje glasu prek API
- 121.000 kreditov na mesec (okoli 220 min Multilingual, okoli 440 min Flash)
- 100 ur prepisa govora
- Profesionalno kloniranje glasu
- Zvočna kakovost 192 kb/s prek API
- 600.000 kreditov na mesec (okoli 990 min Multilingual, okoli 1.980 min Flash)
- 450 ur prepisa govora
- Zvočni izhod PCM pri 44,1 kHz prek API
- 1.800.000 kreditov na mesec (okoli 2.990 min Multilingual, okoli 5.980 min Flash)
- 1.359 ur prepisa govora
- Vključeni 3 sedeži v delovnem prostoru
- 6.000.000 kreditov na mesec (okoli 9.900 min Multilingual, okoli 19.800 min Flash)
- 4.500 ur prepisa govora
- Vključenih 10 sedežev v delovnem prostoru
- Prilagojena dodelitev kreditov
- Višje omejitve hkratnosti
- Prilagojen SSO in skrbniški nadzor
Cene se spreminjajo; preverite uradni cenik →