ElevenLabs Text-to-Dialogue-API für E-Commerce-Audio: Voiceover für Produktvideos und Werbe-Sprecher

ElevenLabs Text-to-Dialogue verwandelt ein geschriebenes Skript in eine einzige Audiodatei mit mehreren Sprechern: Sie übergeben eine geordnete Liste von Dialogzeilen, weisen jeder Zeile eine eigene vordefinierte Stimme zu und erhalten eine fertige Aufnahme – ohne manuelles Schneiden oder Zusammensetzen von Segmenten. Über die hiapi API kostet dies $0.125 pro 1.000 Zeichen Dialog und läuft über denselben asynchronen Task-Ablauf wie alle anderen Modelle der Plattform. Für E-Commerce-Teams ist das ein schneller Weg, Voiceover für Produktdemos mit zwei Moderatoren, Werbe-Sprecher mit mehreren Rollen und Aktionsskripte zu produzieren, ohne für jeden SKU oder jede saisonale Kampagne eigene Sprecher engagieren zu müssen.

Der Unterschied zwischen Text-to-Dialogue und Single-Voice-TTS

Standard-Text-to-Speech liefert pro Aufruf nur eine Stimme. Um einen Dialog vorzutäuschen, müssen Sie normalerweise für jeden Sprecher separate TTS-Aufrufe ausführen, die Segmente selbst zusammensetzen und hoffen, dass Tempo und Tonlage zusammenpassen. ElevenLabs Text-to-Dialogue überspringt diesen Schritt: Sie senden das gesamte Skript – jede Sprecherrunde in der richtigen Reihenfolge – als eine Anfrage, und das Modell übernimmt Sprecherwechsel, Tempo und Ausdrucksweise. Das Ergebnis ist eine einzige Audiodatei statt eines Ordners voller Fragmente, die Sie selbst zusammensetzen müssten.

Das ist besonders wichtig, wenn der „Dialog“ eigentlich ein Stück Marketing-Audio ist: Produktdemos mit zwei Moderatoren, ein Gespräch zwischen Kunde und Verkaufsmitarbeiter in einer Werbung oder ein Aktionsskript, in dem ein Sprecher und eine zweite „Hype“-Stimme abwechselnd sprechen. All das wirkt als Dialog natürlich, und genau für diese Skriptform ist das Modell gebaut.

Die tatsächliche Request-Struktur (gegen das Live-Schema getestet)

Der Request-Body ist bewusst eng gefasst. Jeder Eintrag im dialogue-Array akzeptiert genau zwei Felder – text und voice – und sonst nichts. Zusätzliche Felder oder ungültige voice-IDs werden vor dem Task-Lauf als Schema-Fehler abgelehnt, was bestätigt wurde:

{
  "model": "elevenlabs/text-to-dialogue",
  "input": {
    "dialogue": [
      {"text": "This blender just tore through frozen mango in four seconds.", "voice": "EkK5I93UQWFDigLMpZcX"},
      {"text": "Four seconds? Show me the smoothie.", "voice": "Z3R5wn05IrDiVCyEkUrK"},
      {"text": "Already poured. Link's in the description.", "voice": "EkK5I93UQWFDigLMpZcX"}
    ]
  }
}

voice muss eine der rund 70 festen IDs sein, die die Plattform für dieses Modell bereitstellt (EkK5I93UQWFDigLMpZcX, NNl6r8mD7vthiJatiJt1, YOq2y2Up4RgXP2HyXjE5 usw.) – dieser Endpunkt bietet keine Felder für frei eingegebene Stimmnamen oder hochgeladene Stimmklone.

Ein Punkt verdient direkte Erwähnung: Die Beschreibung des Modells selbst spricht davon, die „Stabilität“ pro Zeile steuern zu können. Tatsächlich legt das bereitgestellte Schema den Parameter stability nicht offen (ebenso wenig model_id oder Emotions-Tags) – akzeptiert werden nur text und voice. Wenn Sie interne Dokumentation oder eine UI um diesen Endpunkt herum bauen, versprechen Sie dort keinen Stabilitätsregler, den es noch nicht gibt.

Die Übermittlung folgt dem asynchronen Task-Ablauf von hiapi: Senden Sie die obige Anfrage per POST, um einen Task zu erstellen, fragen Sie dessen Status ab und laden Sie nach Abschluss die erzeugte Audiodatei herunter – dasselbe Muster wie bei den Bild- und Videomodellen der Plattform, sodass es sich direkt in bestehende Produktionspipelines einfügt.

Einen E-Commerce-Audio-Workflow darauf aufbauen

Voiceover für Produktvideos. Wenn Sie bereits kurze Produktclips produzieren – etwa mit Kling für Kurzvideos –, ist Text-to-Dialogue die natürliche Audiospur zum selben Material: Schreiben Sie ein Skript mit zwei Stimmen (Moderator + Reaktionsstimme), das die im Video bereits gezeigten Beats begleitet, statt einer monotonen Single-Voice-Narration.

Werbe-Sprecher mit mehreren Rollen. Ein kurzer Schlagabtausch zwischen zwei „Kunden“ wirkt authentischer als ein einzelnes erzählendes Werbeskript – und erfordert nur einen einzigen API-Aufruf statt der Koordination zweier getrennter Aufnahmen.

Aktions- und Sonderangebots-Skripte. Wechseln Sie bei Audio für Blitzangebote oder saisonale Aktionen zwischen einer Ansager-Stimme und einer zweiten „Hype“-Stimme und behalten Sie dann das gleiche Skriptgerüst und die gleiche Stimmkombination über verschiedene SKUs hinweg bei – tauschen Sie einfach zwischen den Aufrufen Produktnamen, Preise und Angebotsdetails aus.

Preise und Budgetierung

Bei $0.125 pro 1.000 Zeichen kostet ein typisches 15–20-sekündiges Werbeskript mit zwei Stimmen (etwa 250–350 Zeichen) nur einen Bruchteil eines Cents; ein längeres 60–90-sekündiges Skript für eine Produktdemo mit mehreren Runden (700–900 Zeichen) liegt bei etwa $0.09–$0.11. Die Abrechnung richtet sich ausschließlich nach der Gesamtzeichenzahl des gesamten dialogue-Arrays – Sprecher oder Zeilenanzahl ändern die Formel nicht. Bevor Sie Batch-Aufträge kalkulieren, prüfen Sie die aktuellen exakten Preise auf der hiapi-Preisseite, und wenn Sie Single-Voice-Narration oder Musik neben Dialog benötigen, sehen Sie sich die übrige Audio-Modellpalette an.

Häufig gestellte Fragen

Kann Text-to-Dialogue eigene oder geklonte Stimmen verwenden? Nein. Das Live-Schema akzeptiert voice-IDs ausschließlich aus der Liste der rund 70 vordefinierten Stimmen der Plattform selbst. Dieser Endpunkt bietet kein Feld zum Hochladen oder Referenzieren eigener Stimmklone.

Werden einstellbare „Stabilitäts“- oder Emotions-Einstellungen unterstützt? Derzeit nicht. Obwohl die Beschreibung des Modells selbst die Steuerung der Stabilität erwähnt, wird alles außer text und voice in einer Dialogzeile von der Live-API abgelehnt – bauen Sie keine Dokumentation oder UI um einen Stabilitätsregler, bevor er tatsächlich verfügbar ist.

Wie wird die Preisgestaltung für Skripte mit mehreren Sprechern berechnet? Nach der Gesamtzeichenzahl des gesamten dialogue-Arrays, zu $0.125 pro 1.000 Zeichen – nicht pro Zeile, nicht pro Sprecher und nicht pro Sekunde der Ausgabe-Audiodatei.

Was gibt der Task zurück? Eine herunterladbare URL auf eine Audiodatei, ausgeliefert wie jede andere hiapi-Task-Ausgabe. Laden Sie die Datei sofort herunter und speichern Sie die Bytes – Ausgabelinks von Tasks sind zeitlich begrenzt und kein dauerhaftes Hosting.

Lässt es sich für nicht-englische Skripte verwenden? Das Modell ist im Modellkatalog von hiapi selbst mit über 70 Sprachen gelistet, sodass mehrsprachige Dialoge auf Plattformebene unterstützt werden. Testen Sie Ihr Skript in der Zielsprache vor dem vollständigen Produktionseinsatz mit einem kurzen Beispiel.

Text-to-Dialogue ist eine Option aus der wachsenden Audio-API-Palette auf hiapi. Öffnen Sie die Modellseite, um Ihr eigenes Skript auszuführen, oder sehen Sie auf der Preisseite die aktuellen Tarife für die einzelnen Modelle ein.