APIMaster.ai

API ElevenLabs w APIMaster

Użyj klucza API APIMaster w nagłówku `Authorization: Bearer`. Punkty końcowe mają prefiks `/v1/elevenlabs`. Odnośniki parametrów prowadzą do ElevenLabs.

Użyj klucza API APIMaster w nagłówku Authorization: Bearer. Punkty końcowe mają prefiks /v1/elevenlabs. Odnośniki parametrów prowadzą do ElevenLabs.

Przesyłaj pliki lokalne. Zdalne adresy URL i webhooki transkrypcji są niedostępne. Tekst próbki głosu wymaga co najmniej 100 znaków. Określ czas muzyki i efektów. WebSocket APIMaster obsługuje poświadczenia dostawcy. Po zatwierdzeniu audio wyślij response.create i poczekaj na response.done.

Modele i punkty końcowe

Funkcja Identyfikatory modeli Oficjalny punkt końcowy Główne parametry
Synteza mowy i dialog eleven_v4, eleven_v4_turbo, eleven_v3, eleven_v3_conversational, eleven_multilingual_v2, eleven_flash_v2_5, eleven_flash_v2, eleven_turbo_v2_5, eleven_turbo_v2 POST /v1/elevenlabs/text-to-speech/{voice_id} · POST /v1/elevenlabs/text-to-dialogue text · model_id · voice_settings · language_code · output_format · inputs[].voice_id · inputs[].text
Transkrypcja plików scribe_v3, scribe_v2, scribe_v2_medical POST /v1/elevenlabs/speech-to-text model_id · file · language_code · diarize · timestamps_granularity · keyterms · transcript_edit
Transkrypcja na żywo scribe_v3_live, scribe_v2_realtime WSS /v1/elevenlabs/speech-to-text/realtime model_id · audio_format · commit_strategy · audio_base_64 · commit
Zmiana głosu eleven_multilingual_sts_v2, eleven_english_sts_v2 POST /v1/elevenlabs/voice-changer/{voice_id} audio · model_id · remove_background_noise · voice_settings · output_format
Projektowanie głosu eleven_ttv_v3, eleven_multilingual_ttv_v2 POST /v1/elevenlabs/text-to-voice/design model_id · voice_description · text · guidance_scale · seed
Efekty dźwiękowe eleven_text_to_sound_v3, eleven_text_to_sound_v2 POST /v1/elevenlabs/sound-generation model_id · text · duration_seconds · loop · prompt_influence
Muzyka music_v2_5, music_v2, music_v1 POST /v1/elevenlabs/music model_id · prompt · composition_plan · music_length_ms · force_instrumental
Rozmowa w czasie rzeczywistym eleven_realtime_v1_mini, eleven_realtime_v1_max WSS /v1/elevenlabs/realtime model · input_audio_buffer.append · response.create
Dubbing dubbing_v2, dubbing_v1 POST /v1/elevenlabs/dubbing/project model_id · file · source_language · target_language · project_id

Parametry i odpowiedzi

  • voice_id wybiera głos, model_id model, a language_code język. voice_settings zmienia sposób wypowiedzi. Każda pozycja inputs zawiera tekst i głos danej kwestii.
  • Prześlij nagranie jako file. diarize rozróżnia rozmówców, a timestamps_granularity określa dokładność znaczników czasu. W trybie na żywo wysyłaj fragmenty PCM w Base64, zatwierdź commit i poczekaj na committed_transcript.
  • W funkcji zmiany głosu voice_id wskazuje głos docelowy. Projektowanie głosu zwraca trzy próbki. text musi mieć co najmniej 100 znaków.
  • Dla efektów duration_seconds przyjmuje 0,5–30 sekund. Muzyka korzysta z prompt albo composition_plan. Z prompt ustawisz czas przez music_length_ms i wyłączysz wokal przez force_instrumental.
  • W przypadku dubbingu sprawdzaj projekt i język przez project_id, a po zakończeniu pobierz outputs.lossless_audio.

Przykłady

curl https://apimaster.ai/v1/elevenlabs/text-to-speech/JBFqnCBsd6RMkjVDRZzb \
  -H "Authorization: Bearer $APIMASTER_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{"model_id":"eleven_v4","text":"Hello from ElevenLabs."}' \
  --output speech.mp3

curl https://apimaster.ai/v1/elevenlabs/speech-to-text \
  -H "Authorization: Bearer $APIMASTER_API_KEY" \
  -F 'model_id=scribe_v3' -F 'file=@speech.mp3' \
  -F 'diarize=true' -F 'timestamps_granularity=word'

curl https://apimaster.ai/v1/elevenlabs/music \
  -H "Authorization: Bearer $APIMASTER_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{"model_id":"music_v2_5","prompt":"Soft piano jingle","music_length_ms":3000,"force_instrumental":true}' \
  --output jingle.mp3

curl https://apimaster.ai/v1/elevenlabs/dubbing/project \
  -H "Authorization: Bearer $APIMASTER_API_KEY" \
  -F 'model_id=dubbing_v2' -F 'file=@speech.mp3' \
  -F 'source_language=en' -F 'target_language=es'

curl "https://apimaster.ai/v1/elevenlabs/dubbing/project/$PROJECT_ID" \
  -H "Authorization: Bearer $APIMASTER_API_KEY"

curl "https://apimaster.ai/v1/elevenlabs/dubbing/project/$PROJECT_ID/language/$LANGUAGE_ID" \
  -H "Authorization: Bearer $APIMASTER_API_KEY"

Formaty i ograniczenia żądań

Przesyłaj syntezę, dialogi, projektowanie głosu, efekty i muzykę jako application/json o wielkości do 4 MiB. Umieść output_format w ciągu zapytania. Dialogi z kilkoma rozmówcami korzystają z eleven_v4 lub eleven_v3. Dodaj /stream do ścieżki syntezy, dialogu, konwersji głosu, muzyki lub izolacji dźwięku, aby odczytywać odpowiedź fragmentami.

Prześlij jeden plik jako multipart/form-data. Użyj pola audio do konwersji i izolacji oraz file do transkrypcji, dopasowania, separacji ścieżek i dubbingu. Dla surowego PCM mono 16 kHz, 16-bitowego little-endian użyj file_format=pcm_s16le_16.

Utwór może mieć od 3000 do 600 000 milisekund. Z parametrem prompt podaj music_length_ms. W composition_plan ustaw stałe duration_ms dla każdego segmentu.

Przykład rozmowy w czasie rzeczywistym

Zainstaluj websocket-client i ustaw APIMASTER_API_KEY. Wyślij dane po zdarzeniu session.created. Dźwięk przychodzi w response.audio.delta lub response.output_audio.delta. response.done zwraca stan i użycie w danej turze.

import json
import os
from urllib.parse import urlsplit, urlunsplit

from websocket import create_connection

base = urlsplit("https://apimaster.ai/v1")
url = urlunsplit(("wss", base.netloc, base.path.rstrip("/") + "/elevenlabs/realtime",
                  "model=eleven_realtime_v1_mini", ""))
socket = create_connection(
    url, header={"Authorization": "Bearer " + os.environ["APIMASTER_API_KEY"]},
    timeout=30,
)
try:
    assert json.loads(socket.recv())["type"] == "session.created"
    socket.send(json.dumps({
        "type": "conversation.item.create",
        "item": {"type": "message", "role": "user",
                 "content": [{"type": "input_text", "text": "Say hello."}]},
    }))
    socket.send(json.dumps({"type": "response.create"}))
    while True:
        event = json.loads(socket.recv())
        if event["type"] == "error":
            raise RuntimeError(event["error"])
        if event["type"] == "response.done":
            print(event["response"]["status"], event["response"].get("usage"))
            break
finally:
    socket.close()

Niezależne punkty końcowe audio

Rozliczenia i zgodność

Synteza jest liczona za znaki, a usługi audio za odpowiednie jednostki czasu. Rozmowa w czasie rzeczywistym jest rozliczana za minuty połączenia i tokeny. Za tekst trzech próbek płaci się raz. Usunięcie music_v1 zaplanowano na 2027-01-31, a eleven_text_to_sound_v2 na 2027-03-01.

Oficjalny cennik