ElevenLabs: beszédszintézis API-ként

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 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.

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.

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.

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.

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.

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.

Források

1. ElevenLabs-árak: csomagok és kreditek
2. ElevenAPI-árak: termékenkénti díjak
3. ElevenLabs-dokumentáció: modellek
4. API-referencia: beszéd létrehozása
5. Wikipedia: ElevenLabs
6. Amazon Polly árak
7. OpenAI API árak
8. SILMA AI: beszédszintézis ár-összehasonlítás, 2026. augusztus