Skip to Content
模型用法ElevenLabs

ElevenLabs 系列

ElevenLabs 的语音模型，共两款：Eleven v4 用于语音合成，Scribe v2 用于语音转录。均通过 OpenAI 兼容的音频接口调用。

模型 ID（调用时原样复制）
Eleven v4（语音合成）elevenlabs/eleven_v4POST /v1/audio/speech
Scribe v2（语音转录）elevenlabs/scribe_v2POST /v1/audio/transcriptions

接口的通用参数见 Audio Speech API 与 Audio Transcriptions API。实时价格请参阅模型页 ：语音合成按字符计费，语音转录按音频时长计费。

Eleven v4 语音合成

要点voice 需传入音色 ID，而非音色名称；不支持 OpenAI 的 alloy 等音色。
eleven_tts.py
import os
from openai import OpenAI
 
client = OpenAI(base_url="https://api.ofox.ai/v1", api_key=os.environ["OFOX_API_KEY"])
 
with client.audio.speech.with_streaming_response.create(
    model="elevenlabs/eleven_v4",
    voice="21m00Tcm4TlvDq8ikWAM",
    input="你好，欢迎使用 OfoxAI 语音合成。",
    response_format="mp3",
) as resp:
    resp.stream_to_file("speech.mp3")
参数说明
voice必填，ElevenLabs 的音色 ID（20 位字符），如 21m00Tcm4TlvDq8ikWAM。音色 ID 可在 ElevenLabs 音色库 中查找。传入音色名称（如 Rachel）会返回 404
response_formatmp3（默认，44.1 kHz）、opus（48 kHz，Ogg 封装）、wav（16 kHz）、pcm（16 kHz，16 位单声道）。aac、flac 不支持
language_code语言代码，如 zh、en，不传时自动判断
provider_options透传 ElevenLabs 专有参数，如 {"elevenlabs": {"voice_settings": {"stability": 0.3}}}，参数定义见 ElevenLabs 官方文档 

实测一句约 20 字的中文约 2 秒返回，生成的音频约 4 秒。

Scribe v2 语音转录

Scribe v2 除转录文字外，还返回逐词的起止时间，并可识别不同的说话人。

scribe.py
import json
import os
from openai import OpenAI
 
client = OpenAI(base_url="https://api.ofox.ai/v1", api_key=os.environ["OFOX_API_KEY"])
 
with open("meeting.mp3", "rb") as f:
    result = client.audio.transcriptions.create(
        model="elevenlabs/scribe_v2",
        file=f,
        extra_body={"provider_options": json.dumps({"elevenlabs": {"diarize": True}})},
    )
 
print(result.text)
for w in (result.model_extra or {}).get("words", [])[:10]:
    print(w.get("speaker"), w["start"], w["end"], w["word"])

响应结构：

字段说明
text完整转录文字
words[]逐词结果，含 word、start、end（秒）；开启说话人分离后另含 speaker（如 speaker_0、speaker_1）
language识别出的语言，如 zho、eng
duration音频时长（秒）
usage{"type": "duration", "seconds": ...}，按时长计费
  • 说话人分离需通过 provider_options 开启：{"elevenlabs": {"diarize": true}}，以 JSON 字符串作为表单字段传入。
  • response_format 支持 json 与 verbose_json，两者返回内容相同。需要字幕文件时，可根据 words 中的时间戳自行生成。

常见报错

HTTP报错原文原因处理方法
404A voice with voice_id 'Rachel' was not found.voice 传入了音色名称或不存在的 ID改用音色 ID
400unsupported ElevenLabs response_format: aac格式不受支持改用 mp3、opus、wav 或 pcm
400Unsupported response_format 'srt'. Only 'json' and 'verbose_json' are supported on this gateway转录使用了 text、srt、vtt改用 json

更多报错见 Audio Speech API 与 Audio Transcriptions API。

官方文档

常见问题

ElevenLabs 的 voice 填什么？

填音色 ID（20 位字符），如 21m00Tcm4TlvDq8ikWAM，可在 ElevenLabs 音色库中查找。填音色名称（如 Rachel）或 OpenAI 的 alloy 会返回 404 voice_id not found。

Eleven v4 支持哪些音频格式？

mp3（默认）、opus、wav、pcm。aac 与 flac 不支持。

Scribe v2 能区分说话人吗？

能。通过 provider_options 传入 {"elevenlabs": {"diarize": true}}，响应的 words 中每个词会带有 speaker 字段，如 speaker_0、speaker_1。

Scribe v2 能直接输出 srt 字幕吗？

不能，response_format 仅支持 json 与 verbose_json。可根据响应 words 中的 start、end 时间戳自行生成字幕。

ElevenLabs 语音怎么计费？

Eleven v4 按输入字符数计费，Scribe v2 按音频时长计费，单价见模型页。

最后更新于
Hailuo（MiniMax）Gemini TTS