Przejdź do treści

Eleven v4 Text to Speech

Integracja

Identyfikator modelu elevenlabs/tts/eleven-v4
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/elevenlabs/tts/eleven-v4?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "[whispers] Okay, everyone, gather close. [excited] The bread is finally out of the oven. [laughs] Fine, fine, one slice each, but only if you promise to save one for me."
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

To żądanie: 0,014 $ 14 kredytów API · ≈ 1,51 ₽ Uruchom na tej stronie

Uzyskaj klucz API
ElevenLabs Tekst na mowę #voiceover#expressive#timestamps

Najbardziej ekspresyjny model głosu ElevenLabs, z wbudowanymi tagami emocji i znacznikami czasu słów.

Przykłady

Wynik · ~14 s
[whispers] Okay, everyone, gather close. [excited] The bread is finally out of the oven. [laughs] Fine, fine, one slice each, but only if you promise to save one for me.0,014 $ · 14 kredytów API

Zbuduj żądanie

Elementy sterujące są generowane ze schematu modelu. Kod i cena aktualizują się podczas ich zmiany.

•wymagane 169 / 5000

Podaj treść mowy jako tekst, opcjonalnie oznaczając sposób wypowiedzi tagami audio, takimi jak [whispering], lub określając wymowę IPA między ukośnikami.

domyślnie Rachel

Głos wybrany do syntezy mowy.

Zaawansowane apply_text_normalization · language_code · output_format · stability · similarity_boost · seed · timestamps
apply_text_normalization domyślnie auto

Określa normalizację tekstu przed generowaniem, w tym sposób obsługi liczb i dat.

Kod języka ISO 639-1 używany podczas generowania mowy i normalizacji tekstu.

domyślnie mp3_44100_128

Format wygenerowanego audio określony za pomocą wzorca codec_sample_rate_bitrate.

domyślnie 0.5

Stabilność głosu równoważy ekspresyjność przy niższych ustawieniach i spójność przy wyższych.

domyślnie 0.75

Sterowanie podobieństwem do głosu referencyjnego z możliwym kompromisem w zakresie naturalności: zwiększenie wartości wzmacnia dopasowanie, ale może sprawić, że wynik zabrzmi mniej naturalnie.

Seed używany do prób uzyskania powtarzalnych wyników; dokładne powtórzenie wyniku nie jest gwarantowane.

POST /run/elevenlabs/tts/eleven-v4?wait=20 wycena → 0,014 $
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/elevenlabs/tts/eleven-v4?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "[whispers] Okay, everyone, gather close. [excited] The bread is finally out of the oven. [laughs] Fine, fine, one slice each, but only if you promise to save one for me."
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Uruchom to żądanie

Klucz pozostaje w tej przeglądarce: jest wysyłany tylko do Doitong API i zapisywany (localStorage) tylko po zaznaczeniu opcji Zapamiętaj. Uzyskaj klucz API

Informacje o Eleven v4 Text to Speech

Eleven v4 odczytuje tekst naturalnymi, emocjonalnymi głosami i rozumie wbudowane tagi audio, takie jak [excited] lub [whispering], a także wymowę IPA. Wybierz głos, dostosuj stabilność i podobieństwo, ustaw język i opcjonalnie pobierz znaczniki czasu słów. Formaty MP3, PCM, Opus i telefoniczne.

Parametry

NazwaTyp DomyślneDozwolone Opis
textwymagane
Typstring
≤ 5000 znaków
Podaj treść mowy jako tekst, opcjonalnie oznaczając sposób wypowiedzi tagami audio, takimi jak [whispering], lub określając wymowę IPA między ukośnikami.
voiceopcjonalne
Typstring
DomyślneRachel
Głos wybrany do syntezy mowy.
stabilityopcjonalne
Typnumber
Domyślne0.5
0 – 1
Stabilność głosu równoważy ekspresyjność przy niższych ustawieniach i spójność przy wyższych.
similarity_boostopcjonalne
Typnumber
Domyślne0.75
0 – 1
Sterowanie podobieństwem do głosu referencyjnego z możliwym kompromisem w zakresie naturalności: zwiększenie wartości wzmacnia dopasowanie, ale może sprawić, że wynik zabrzmi mniej naturalnie.
seedopcjonalne
Typinteger | null
0 – 4 294 967 295
Seed używany do prób uzyskania powtarzalnych wyników; dokładne powtórzenie wyniku nie jest gwarantowane.
language_codeopcjonalne
Typstring | null
Kod języka ISO 639-1 używany podczas generowania mowy i normalizacji tekstu.
output_formatopcjonalne
Typenum
Domyślnemp3_44100_128
mp3_22050_32mp3_44100_32mp3_44100_64mp3_44100_96mp3_44100_128mp3_44100_192pcm_8000pcm_16000pcm_22050pcm_24000pcm_44100pcm_48000ulaw_8000alaw_8000opus_48000_32opus_48000_64
+3 więcejopus_48000_96opus_48000_128opus_48000_192
Format wygenerowanego audio określony za pomocą wzorca codec_sample_rate_bitrate.
apply_text_normalizationopcjonalne
Typenum
Domyślneauto
autoonoff
Określa normalizację tekstu przed generowaniem, w tym sposób obsługi liczb i dat.
timestampsopcjonalne
Typboolean
Domyślnefalse
Określa, czy wygenerowane audio zawiera dane czasowe dla poszczególnych znaków.
wymagane

Wynik

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "elevenlabs/tts/eleven-v4",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 14,
    "usd": "0.014",
    "charged": 14,
    "refunded": 0
  },
  "input": {
    "text": "[excited] Hello! Welcome to the future of voice.",
    "voice": "Aria"
  },
  "output": {
    "audio": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_name": "0-output.mp3",
      "file_size": 1843200
    },
    "timestamps": []
  },
  "outputs": [
    {
      "type": "audio",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_size": 1843200,
      "duration": 12,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
Twoje pliki, Twój wybórKażdy outputs[].url to kopia w naszej przestrzeni dyskowej: przechowywana bezterminowo (opłata za GB-miesiąc) lub 7 dni bezpłatnie, zgodnie z ustawieniem konta lub ?storage=.
Taki sam format w każdym modelutype, url, content_type, width, height i duration — tak samo dla obrazów, filmów i dźwięku. output to własny obiekt wyniku modelu.
Pola wyniku
audio
object {url, content_type, file_name, file_size}Plik audio utworzony w wyniku generowania.
timestamps
array of any | nullDane czasowe wygenerowanej mowy, dołączane tylko do żądań z `timestamps` ustawionym na True; zawierają znacznik czasu dla każdego słowa.

Więcej modeli: Tekst na mowę

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/elevenlabs/tts/eleven-v4.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt