ElevenLabs v3 API: The Most Expressive Voice AI

ElevenLabs v3 API cho phép nhà phát triển truy cập Eleven v3 theo cách lập trình, đây là mô hình text-to-speech giàu biểu cảm nhất của ElevenLabs. API này chuyển văn bản thành giọng nói chất lượng phòng thu, giàu cảm xúc trên hơn 70 ngôn ngữ, với các thẻ âm thanh inline để kiểm soát tinh chỉnh sắc thái và cách thể hiện. Trên Atlas Cloud, API chạy thông qua một khóa tương thích OpenAI duy nhất với mức giá pay-as-you-go minh bạch.

Eleven v3 được xây dựng để ưu tiên chiều sâu cảm xúc và khả năng hiểu ngữ cảnh thay vì tốc độ thuần túy. Mô hình đọc các thẻ âm thanh inline như [whispers], [excited] và [sighs] để định hình phần thể hiện, đồng thời xử lý hội thoại nhiều người nói với chuyển tiếp tự nhiên giữa các nhân vật. Trọng tâm đó khiến mô hình đặc biệt phù hợp với lối kể chuyện kịch tính, xoay quanh nhân vật, nơi sắc thái quan trọng hơn độ trễ tính bằng mili giây.

Eleven v3 hỗ trợ hơn 70 ngôn ngữ, phạm vi bao phủ rộng nhất trong các mô hình giọng nói của ElevenLabs. Phạm vi này bao gồm các ngôn ngữ được dùng rộng rãi như English, Spanish, Mandarin Chinese, Hindi, Arabic, French, German, Japanese và Korean. Bạn có thể điều hướng cảm xúc và sắc thái trong từng ngôn ngữ bằng cùng cú pháp thẻ âm thanh.

Thẻ âm thanh là các gợi ý được đặt trong dấu ngoặc vuông và chèn trực tiếp vào văn bản, để mô hình đọc như chỉ dẫn về cách thể hiện. Chúng có thể là chỉ dẫn cảm xúc như [excited] hoặc [whispers], cho đến các phản ứng phi ngôn ngữ như [sighs], [laughs] và [clapping]. Hãy đặt chúng inline ở bất cứ nơi nào bạn muốn cách thể hiện thay đổi, mô hình sẽ tự điều chỉnh mà không cần cấu hình riêng.

Đăng ký, tạo một API key và trỏ yêu cầu của bạn đến endpoint ElevenLabs v3 bằng định dạng tương thích OpenAI. Bạn có thể thử prompt và thẻ âm thanh trong playground trên trình duyệt trước khi tích hợp lệnh gọi vào sản phẩm. Thanh toán theo pay-as-you-go, nên bạn chỉ bị tính phí cho phần âm thanh thực sự tạo ra. Hãy bắt đầu xây dựng ngay hôm nay.

Có. Bên cạnh text-to-speech tiêu chuẩn, v3 hỗ trợ tính năng Text to Dialogue để kết xuất các cuộc trò chuyện tự nhiên giữa nhiều người nói chỉ trong một lượt. Endpoint tự động xử lý chuyển tiếp giữa người nói, thay đổi cảm xúc và các đoạn ngắt lời, phù hợp với audio drama, cảnh trong game và hội thoại có lời dẫn.

Eleven v3 chấp nhận tối đa 5,000 ký tự trong một yêu cầu, tương đương khoảng năm phút âm thanh được tạo. Khi kịch bản dài hơn, hãy chia thành các yêu cầu liên tiếp và ghép các đoạn âm thanh trả về lại với nhau. Giữ mỗi yêu cầu trong giới hạn cũng giúp bạn quản lý nhịp độ và thử lại một cách gọn gàng.

Không. Eleven v3 ưu tiên chất lượng hơn tốc độ, nên không cung cấp streaming WebSocket thời gian thực như ElevenLabs Flash. Phần tính toán nặng hơn phía sau dải cảm xúc của mô hình làm tăng độ trễ, vì vậy mô hình phù hợp nhất với nội dung dựng sẵn như audiobook, lồng tiếng và voiceover thay vì voice agent trực tiếp.

Atlas Cloud định giá mô hình theo cơ chế pay-as-you-go minh bạch, nên bạn được tính phí theo từng lệnh gọi, không cần đăng ký thuê bao hay cam kết tối thiểu. Chi phí tăng theo lượng âm thanh bạn tạo, giúp các thử nghiệm nhỏ vẫn rẻ và khối lượng công việc lớn dễ dự đoán. Hãy bắt đầu ngay hôm nay.