> Az ElevenLabs audió-API értékelése: modellpaletta, késleltetési adatok, kredit- és karakteralapú árazás, tarifához kötött formátumok, és hol nyer az OpenAI és az Amazon Polly. > > Web page: https://balazscsorba.com/hu/blog/elevenlabs · Language: Magyar · Also available in: [English](https://balazscsorba.com/blog/elevenlabs.md) · [Deutsch](https://balazscsorba.com/de/blog/elevenlabs.md) > Author: Balázs Csorba · Published: 2026-05-27 · Keywords: elevenlabs, elevenlabs api pricing, elevenlabs vs openai tts, text to speech api comparison, elevenlabs flash latency, voice cloning api, eleven v4 model [Blog](https://balazscsorba.com/hu/blog)/Webfejlesztés # ElevenLabs: beszédszintézis API-ként Az ElevenLabs audió-API értékelése: modellpaletta, késleltetési adatok, kredit- és karakteralapú árazás, tarifához kötött formátumok, és hol nyer az OpenAI és az Amazon Polly. [Balázs Csorba](https://balazscsorba.com/hu/about)·2026\. május 27.·10 perc olvasás - Text to speech - Voice API - Speech to text - Voice cloning ![Három különböző szélességű téglalap nyilat küld egy magas téglalapba, alacsony sorompóval.](https://balazscsorba.com/images/blog/elevenlabs/cover.webp?v=e2a2d32dfd) ## A lényeg röviden - Az API 0,04 dollárt kér 1000 karakterenként a Flash és a v4 Turbo, 0,08 dollárt a v3 és a Multilingual v2 modellnél, három-ötszörösét annak, amennyibe a tömegtermék-szinten az OpenAI, a Google és az xAI kerül. - A modelltábla minden késleltetési értéke medián inferenciaidő, amelyet a dokumentáció kifejezetten alkalmazási és hálózati késés nélkül ért. - A hasznos kimeneti formátumok tarifához kötöttek: a 192 kbps-os MP3-hoz Creator, a 44,1 kHz-es PCM-hez vagy WAV-hoz a 99 dolláros Pro csomag kell. - Az ingyenes csomag havonta 10 000 kreditet ad kereskedelmi licenc nélkül, a Multilingual v2 párhuzamossága pedig két kéréssel indul. - Semmi nem üzemeltethető helyben, így a klónozott hang és a termék proszódiája bérlemény, nem tulajdon. Ezen az oldalon 1. [Mi ez](https://balazscsorba.com/#what-it-is) 2. [Hogyan működik](https://balazscsorba.com/#how-it-works) 3. [Modellek és késleltetés](https://balazscsorba.com/#models) 4. [Első lépések](https://balazscsorba.com/#getting-started) 5. [Árazás](https://balazscsorba.com/#pricing) 6. [Hol akad el](https://balazscsorba.com/#where-it-shingles) 7. [Ítélet](https://balazscsorba.com/#verdict) 8. [Források](https://balazscsorba.com/#sources) Cikk meghallgatása 0:000:00 Az ElevenLabs egy hosztolt audió-API: beszédszintézis, beszédfelismerés, szinkronizálás, hanghatások, zene és beszédagent-pipeline egyetlen kulcs mögött. A hangminőség ma is az, amiért a csapatok választják, és itt a vélemény szűken tartva: arra kell megvenni, ami a beszédminőség és a nyelvi lefedettség, nem az árazási architektúrára, amely úgy van megépítve, hogy a karakterenkénti ár sosem igazodik pontosan a versenytársakéhoz. Azt a helyet foglalja el, amit régen egy felhőben futó TTS-szolgáltatás: egy HTTP-hívás a tartalmi pipelineban vagy egy websocket a beszédagentben, és árban az OpenAI audiómodelljeivel, az Amazon Pollyval és a Google Chirpjével versenyez. Mindhárom olcsóbb elhangzott percenként. Egyik sem kínál professzionális hangklónozást egy expresszív modellcsalád mellé, ez maga a termék. Akik egy [valós idejű hangkört](https://balazscsorba.com/hu/blog/voice-agents-realtime-latency) építenek, jobban érdekli ez a különbség, mint a modelladatlap. ## Mi ez Az ElevenLabst 2022-ben alapította Piotr Dąbkowski és Mati Staniszewski, londoni központtal, irodákkal New Yorkban, Varsóban és San Franciscóban, a Wikipédia-szócikk pedig 2026-ra körülbelül 400 főt ír. A vállalat három felületet árul: böngészőben a ElevenCreative-t, forgalomarányos használatra az ElevenAPI-t, beszédagentekhez az ElevenAgents-t. Minden mögötte lévő modell zárt forráslapú. Nincsenek nyílt súlyok és nincs helyi üzemeltetés, csak regionális végpontok. - **Zárt forráslapú modellek** REST-API mögött: nincs mit telepíteni, nincs letölthető súly, nincs on-premises változat, csak regionális gépek. - **Beszédszintézis**: eleven\_v4, eleven\_v4\_turbo, eleven\_v3, eleven\_multilingual\_v2 és eleven\_flash\_v2\_5, 90+ nyelvvel a v4 családban és 29-cel a Multilingual v2-nél. - **Beszédfelismerés**: Scribe v2, Scribe v2 Realtime mintegy 150 ms-mal és Scribe v2 Medical, legfeljebb 32 beszélő szétválasztásával és 65 entitástípussal. - **Ingyenes csomag** havonta 10 000 kreditet ad kereskedelmi licenc nélkül; a kereskedelmi használat a 6 dolláros Starternél kezdődik. - **Hat nyilvános csomag**: 0, 6, 22, 99, 299 és 990 dollár havonta, plusz egyedi Enterprise-feltételek SSO-val, DPA-val és SLA-val. - **Regionális végpontok** az api.elevenlabs.io mellé az Egyesült Államokban, az EU-ban, Indiában és Szingapúrban. - **A párhuzamosság a csomagtól függ**: 2 egyidejű Multilingual-v2-kérés az ingyenes csomagban, 5 a Creatoron, 10 a Pron, 15 a Businessön. ## Hogyan működik Egy szintézishívás egyetlen POST a `/v1/text-to-speech/{voice_id}` útvonalra, a kimeneti formátummal a query-ben, a törzsben pedig text, model\_id és opcionális voice\_settings JSON-ben. A válasz maga a hang, bájtfolyamként, nem JSON-burkolatban, és az official SDK-k ugyanezt a formát mutatják. Valós ideához van websocket végpont, ahol csak a modell tényleges generálási ideje számít a párhuzamossági limitből. A determinizmus szándék, nem ígéret: az seed megismétli a felvételt, a previous\_text vagy a previous\_request\_ids pedig egyben tartja a proszódiát a blokkok között. ![ElevenLabs: egy kérés a szövegtől a hangig A szöveget normalizálják, továbbadják a modellnek, a kért formátumba kódolják, majd hangként visszaküldik. A csomag dönt a párhuzamosságról és a sorban állás prioritásáról, és arról is, hogy mely kimeneti formátumok egyáltalán elérhetők.](https://balazscsorba.com/images/blog/elevenlabs/diagram-7.webp?v=2df01c6650) A karakterek fizetnek; a csomag dönt a várakozás prioritásáról és arról, hogy milyen kimeneti formátumok léteznek egyáltalán. A formátumválasztás teszi láthatóvá a tarifaszerkezetet. Az alapértelmezett `mp3_44100_128`; a 192 kbps-os MP3-hoz Creator kell, a 44,1 kHz-es PCM-hez vagy WAV-hoz Pro, és éppen ez az a szint, amit a legtöbb beszéd-pipeline tényleg igényel. A párhuzamosságot sorban állással kezelik, nem elutasítással, a limit átlépése pedig a dokumentáció szerint tipikusan plusz 50 ms-t ad. A `current-concurrent-requests` és a `maximum-concurrent-requests` válaszfejlécek az egyetlen ehhez kapott telemetria. ## Modellek és késleltetés A modelloldal késleltetési értékeket közöl, és a lábjegyzet számít: mindet kifejezetten alkalmazási és hálózati késés nélkül értelmezi. Olvassuk tiszta inferenciaidőnek, amellyel a Flash és a Multilingual v2 összehasonlítható, és amely nem alkalmas felhasználói ígéretre, amíg a hívandó régió socket-pathját nem mértük meg. Modell Közzétett késleltetés Nyelvek Karakter kérésenként eleven\_v4 Nincs közzétett érték 90+ 10 000 eleven\_v4\_turbo Mintegy 100 ms medián inferencia 90+ 10 000 eleven\_flash\_v2\_5 Mintegy 75 ms 32 40 000 eleven\_multilingual\_v2 Nincs közzétett érték 29 10 000 eleven\_v3 280 ms a Conversational változatban 70+ 5 000 Egy viselkedésbeli részlet gyakrabban dönt a modellválasztásról, mint a minőség. A Flash v2.5 a késleltetés védelmében alapból kikapcsolva hagyja a szövegnormalizálást, ezért a telefonszámok, dátumok és pénznemek furán hangzanak, a `apply_text_normalization` bekapcsolása pedig a v2.5 modelleknél csak Enterprise-csomagban lehetséges. A Multilingual v2 a számokat rendesen kezeli, ezért ajánlja a dokumentáció, hogy a szöveget szintézis előtt az LLM normalizálja, ne a TTS-kérésben kelljen megfizetni. ## Első lépések A Python-klient `pip install elevenlabs` alatt jön, a kulcs pedig a dashboardon, a Developers menüben van. Az alábbi snippet egy klippet generál az alapértelmezett kimeneti formátummal; ha a `model_id` értékét `eleven_flash_v2_5` -re cseréljük, késleltetést és 40 000 karakteres határt kapunk, ha `eleven_v4` -re, a legújabb modellt. ``` # pip install elevenlabs from elevenlabs import ElevenLabs client = ElevenLabs(api_key="xi-api-key") audio = client.text_to_speech.convert( voice_id="JBFqnCBsd6RMkjVDRZzb", output_format="mp3_44100_128", text="The first move is what sets everything in motion.", model_id="eleven_multilingual_v2", ) with open("clip.mp3", "wb") as f: for chunk in audio: f.write(chunk) ``` Két kapcsoló viselkedést változtat, árat nem: a voice\_settings (stability, similarity\_boost, style, speed) és a nyelvkód. Hosszú szövegnél bontsuk blokkokra, és adjuk meg a `previous_request_ids` értéket, hogy a proszódia folytonos maradjon a kérések között. Agentnél streameljünk websocketen ahelyett, hogy egy teljes MP3-at puffernénk, mert a pufferelés az egész generálási időt az első hallható bájt elé teszi. **Mielőtt ez élesbe megy** Az ingyenes csomag nem tartalmaz kereskedelmi licencet, a generálást pedig kérésenként, nem letöltésenként számlázzák. Mindennek, ami felhasználóhoz kerül, legalább Starter kell, a klónozott hangokhoz pedig a professzionális klónozáshoz Creator. A párhuzamosság 2 egyidejű Multilingual-v2-kéréssel indul az ingyenes csomagban és 5-tel a Creatoron, a párhuzamos render-roham tehát sorba áll, nem hibára fut. Backoffot a `current-concurrent-requests` köré építsünk, nem a HTTP 429 köré, mert ott van ténylegesen a késés. ## Árazás Két számláló van, és nem alakíthatók át egymásba. A Creative csomagok kreditben számolnak, egyetlen közös készletből, amiből minden termég fogyaszt: a beszédszintézis körülbelül egy kredit karakterenként, a beszédfelismerés 330 kredit percenként, a zene 900 percenként, a szinkron 2000 percenként. Az ElevenAPI-oldal ehelyett amerikai dollárban számlál, és csak ez a változat hasonlítható össze más szolgáltató árlistájával. - **Free**: 0 dollár, 10 000 kredit havonta, nincs kereskedelmi licenc. - **Starter**: 6 dollár, 30 000 kredit, kereskedelmi licenc, azonnali hangklónozás. - **Creator**: 22 dollár, 121 000 kredit, professzionális hangklónozás, 192 kbps-os hang. - **Pro**: 99 dollár, 600 000 kredit, 44,1 kHz-es PCM és WAV az API-n. - **Scale**: 299 dollár, 1 800 000 kredit, 3 munkahelyi hely. - **Business**: 990 dollár, 6 000 000 kredit, 10 hely, alacsony késleltetésű beszédszintézis 5 centtől percenként. - **Éves számlázás** tíz hónapért tizenkettőt ad, így a Starter 5 dollár, a Pro 82,50 dollár havonta. Az API-n a beszédszintézis 0,04 dollár 1000 karakterenként Flashnél és v4 Turbonál, 0,08 dollár v3-nál és Multilingual v2-nél, a Eleven v4-nél 2026. október 12-ig 0,022 dolláros akciósan. A beszédfelismerés 0,22 dollár óránként Scribe v2-nél és 0,39 dollár Scribe v2 Realtime-nál, az agentek speech engine-je 0,08 dollár percenként 0,16 dolláros burst-díjjal, a zene 0,15 dollár percenként, a szinkronizálás pedig 0,33 dollártól vízjellel percenként 2,20 dollárig a Dubbing v2-nél. A kreditek legfeljebb két hónapig viszontgördülnek, amíg a fizetős előfizetés aktív, így a egyenleg legfeljebb a havi keret háromszorosa lehet, a pay-as-you-go feltöltések pedig kiesnek ez alól a korlát alól. A fel nem használt kredit elveszik downgrade vagy lemondás esetén, ami az éves csomagot kedvezményből felhasználási fogadássá teszi. **Listárazással tervezz** Az akciós ár nem architektúra. A 2026. augusztus 25-én megjelent, minden szolgáltatót elhangzott dollárra normáló összehasonlítás mintegy 0,015 dollárt ad meg tömegtermék-szintként, miközben az OpenAI, a Google és az xAI mind a kerekítési hibán belül van, az expresszív modellek pedig 0,04 és 0,10 dollár között. Az ElevenLabs szándékosan ezen a prémiumszinten ül. Aláírás előtt az a kérdés számít, hogy a proszódiáért és a klónozásért megéri-e ennek a terhelésnek a tömegárszint két-ötszöröse. ## Hol akad el A gyengék szerkezetiek, nem kozmetikaiak. Semmi nem üzemeltethető helyben, így a rendelkezésre állás, a tárolás és az ár is a szolgáltató döntése, a zero retention pedig csak Enterprise-csomagban létezik paraméterként. A kérésenkénti karakterkorlát a hosszú formát Eleven v4-nél 10 000, Flashnél 40 000 karakterre fogja, egy könyv tehát összevarrt kérések sorozata. A kreditkészlet nehezebbé teszi a költségtervezést egy egyszerű karakterárnál, a hasznos formátumok tarifahatárok mögött ülnek funkciók helyett, az ingyenes csomag pedig egyáltalán nem enged kereskedelmi használatot. Jellemző ElevenLabs OpenAI TTS Amazon Polly Ár 1000 karakterenként 0,04 dollár Flashnél és v4 Turbonál, 0,08 dollár v3-nál és Multilingual v2-nél 0,015 dollár a tts-1-nél és 0,030 dollár a tts-1-hdnél; a gpt-4o-mini-tts audiótokenben számlál 0,004 dollár Standard, 0,016 dollár Neural, 0,030 dollár Generative Számlázási egység Karakter az API-n, egyetlen közös kreditkészlet a Creative csomagokban Karakter a tts-1-nél, audiótoken a gpt-4o-mini-tts-nél Karakter, havonta számlázva Ingyenes szint 10 000 kredit havonta, kereskedelmi licenc Starternél indul Az árlapon nincs felsorolva Az első 12 hónapban havonta 5 millió Standard-karakter Hol illik be Klónozott és expresszív hangok, 90+ nyelv, karaktermunka Használati beszéd egy meglévő OpenAI-stack mellett Tömeges narráció AWS-ben, költségmentes gyorsítótárazott lejátszással A lock-in maga a hang. A klónozott hang, a kiejtési szótárak és a termékcsalád proszódiadöntései nem exportálhatók, a kiszállási terv tehát valójában újrafelvételi terv. Kezeljük a hanganyagot a műtárgyként és az API-t olyan beszállítóként, amely csak újramikseléssel váltható, és őrizzük meg a forrásszöveget és a seedet minden értékes felvételhez. ## Ítélet Akkor érdemes bevezetni, ha a hang a termék része. Az ElevenLabs a jó választás hangoskönyvekre, karaktermunkára, többnyelvű narrációra és minden felületre, ahol a hallgató hallja a különbséget; rossz választás a tömeges használati beszédre, ahol a Polly ugyanezt a munkát 0,016 dollárral ezerkarakterenként elvégzi. Az árazás a gyenge felület: csak normalizálás után olvasható, formátumokat zár, nem funkciókat, és azt jutalmazza, aki az architektúra előtt elolvassa a GYIK-et. 1. Válasszuk, ha a hangminőséget a felhasználó hallja: narráció, karakterek, marketinganyag, többnyelvű tartalom. 2. Ügynökhöz Flash vagy v4 Turbo kell, és a kérés maradjon a websocketen; a 75 ms és a 100 ms inferenciaérték, nem round-trip ígéret. 3. Klónozott hangnál vagy 192 kbps-os audiónál Creatornál tervezzünk, a pipeline 44,1 kHz-es PCM-jénél Pronál. 4. Ne válasszuk tiszta használati beszédre, Enterprise-feltételek nélküli adatrezidenciára, és semmire, ami a saját VPC-ben kell fusson. 5. A számlát kész hangpercenkénti karakterben modellítsuk, nem kreditben, és ezt az egységet kössük össze egy versenytárssal a kötelezettségvállalás előtt. > A modell-dokumentáció minden késleltetési értéke alatt az a lábjegyzet áll, hogy _alkalmazási és hálózati késés nélkül_. Egy architektúradöntés, amely 75 ms-t idéz anélkül, hogy a socket utat megmérné, olyan számot idéz, amelyből már kihagyták azt a részt, amely általában uralkodik. **Egy irányelv** Ha valaki egyszer rögzíti a hangot és újrahasználhatja, az ElevenLabs egy drága mód arra, hogy megússzuk a stúdióforgatást. Ha a szöveg naponta változik, a felvétel nem újrahasználható, és a hallgató hallja a hangot, ez a legolcsóbb opció a lapon. ## Források 1. [ElevenLabs-árak: csomagok és kreditek](https://elevenlabs.io/pricing) 2. [ElevenAPI-árak: termékenkénti díjak](https://elevenlabs.io/pricing/api) 3. [ElevenLabs-dokumentáció: modellek](https://elevenlabs.io/docs/models) 4. [API-referencia: beszéd létrehozása](https://elevenlabs.io/docs/api-reference/text-to-speech/convert) 5. [Wikipedia: ElevenLabs](https://en.wikipedia.org/wiki/ElevenLabs) 6. [Amazon Polly árak](https://aws.amazon.com/polly/pricing/) 7. [OpenAI API árak](https://developers.openai.com/api/docs/pricing) 8. [SILMA AI: beszédszintézis ár-összehasonlítás, 2026. augusztus](https://silma.ai/blog/text-to-speech-price-comparison-august-2026) ## Gyakori kérdések Mennyibe kerül az ElevenLabs 1000 karakterenként? Az API-n 0,04 dollár a Flash és a v4 Turbo, 0,08 dollár a v3 és a Multilingual v2 modellnél, a Eleven v4-nél 2026. október 12-ig 0,022 dolláros akciósan. A Creative csomagok ehelyett kreditben számolnak: 6 dollár 30 000 kreditért Starternél, 990 dollár 6 millióért Businessnél, és minden termék ugyanabból a közös készletből fogyaszt. Melyik ElevenLabs-modell a legkésleltetésesebb? A Eleven Flash v2.5 mintegy 75 ms-ot, a Eleven v4 Turbo mintegy 100 ms-ot közöl, mindkettő alkalmazási és hálózati késés nélküli medián inferenciaként. A Flash v2.5 ráadásul 40 000 karaktert fogad kérésenként, a legnagyobb határt a palettán, szemben a Eleven v4 10 000 karakterével. Használható kereskedelmi célra az ElevenLabs-kimenet az ingyenes csomagban? Nem. A kereskedelmi licenc a Starter csomaggal, havi 6 dollárral indul, ami az azonnali hangklónozást is feloldja. A professzionális klónozás a Creatornál (22 dollár), a 44,1 kHz-es PCM kimenet API-n a Pronál (99 dollár) érhető el. Az ElevenLabs a saját felhőmben fut? Nem. Egy hosztolt API, regionális végpontokkal az Egyesült Államokban, az EU-ban, Indiában és Szingapúrban, a zero retention pedig Enterprise-opció. Nincs helyi üzemeltetés és nincsenek nyílt súlyok, a kiszállás újramixelést vagy újrafelvételt jelent. Írta: Csorba Balázs Senior fullstack és AI mérnök Stájerországban – több mint 10 év Vue, Nuxt, Node.js és PHP, ma AI-ügynököknek építek eszközöket. [AI fejlesztés és MCP szerverek →](https://balazscsorba.com/hu/expertise/ai-engineer)[Rólam →](https://balazscsorba.com/hu/about) ## További cikkek - [Schema.org strukturált adatok B2B webshopokhoz: bejelentkezés mögötti árak, egységek és változatok](https://balazscsorba.com/hu/blog/schema-org-structured-data-b2b-shop) - [AI-asszisztens a B2B webshop ügyfélszolgálatához: eszközök, jogosultságok és átadás embernek](https://balazscsorba.com/hu/blog/ai-assistant-b2b-shop-customer-support) - [AI-csevegő UI Vue-ban és Nuxtban: akadálymentes streaming](https://balazscsorba.com/hu/blog/vue-ai-chat-ui-streaming-accessibility) - [LLM-fordítási pipeline i18n-hez: glosszárium, helyőrzők és review](https://balazscsorba.com/hu/blog/llm-translation-pipeline-i18n) ## Pont erre van szükséged? Írj a projektedről vagy a pozícióról – szívesen hallok felőled. [Lépj velem kapcsolatba](mailto:contact@balazscsorba.com) [Kapcsolódjunk LinkedInen](https://www.linkedin.com/in/balazs-csorba)