API ElevenLabs Text to Dialogue pour l'audio e-commerce : doublage de vidéos produit et lecture de publicités

ElevenLabs Text to Dialogue transforme un script écrit en un seul fichier audio multi-locuteurs : transmettez une liste ordonnée de répliques, attribuez une voix prédéfinie différente à chaque ligne, et vous obtenez un enregistrement finalisé, sans montage manuel ni assemblage de segments. Via l'API hiapi, le tarif est de 0,125 $ pour 1 000 caractères de dialogue, et le service s'exécute sur le même flux de tâches asynchrones que tous les autres modèles de la plateforme. Pour les équipes e-commerce, c'est un moyen rapide de produire des doublages de démonstration produit à deux animateurs, des lectures publicitaires multi-personnages et des scripts promotionnels, sans engager un comédien voix par SKU ni par campagne saisonnière.

Différence entre Text to Dialogue et la synthèse vocale à voix unique

La synthèse vocale standard ne fournit qu'une seule voix par appel. Pour simuler un dialogue, il faut généralement exécuter un appel TTS par locuteur, puis assembler soi-même les segments en espérant que le débit et l'intonation s'alignent. ElevenLabs Text to Dialogue supprime cette étape : vous envoyez l'intégralité du script — chaque tour de parole dans l'ordre — en une seule requête, et le modèle gère lui-même les changements de locuteur, le débit et l'expression. La sortie est un fichier audio unique, et non un dossier de segments à assembler.

Cela compte d'autant plus lorsque le « dialogue » est en réalité un audio marketing : démonstration produit à deux animateurs, échange entre client et vendeur dans une publicité, ou alternance entre voix d'annonceur et voix « hype » dans une promotion. Tous se présentent naturellement comme des dialogues, et le modèle est précisément conçu pour cette forme de script.

Structure réelle de la requête (auto-testée sur le schéma en production)

Le corps de la requête est volontairement restreint. Chaque entrée du tableau dialogue accepte exactement deux champs — text et voice — et rien d'autre. L'envoi de champs supplémentaires ou d'un ID de voice invalide est rejeté par une erreur de schéma avant l'exécution de la tâche, comme cela a été vérifié :

{
  "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 doit être l'un des quelque 70 ID fixes fournis par la plateforme pour ce modèle (EkK5I93UQWFDigLMpZcX, NNl6r8mD7vthiJatiJt1, YOq2y2Up4RgXP2HyXjE5, etc.) — cette interface ne propose aucun champ de nom de voix en texte libre ni de clonage de voix par upload.

Un point mérite d'être souligné : la description du modèle évoque la possibilité de « contrôler la stabilité » ligne par ligne. En réalité, le schéma déployé n'expose pas de paramètre stability (ni model_id ni étiquettes émotionnelles) — seuls text et voice sont acceptés. Si vous rédigez une documentation interne ou une interface autour de ce point de terminaison, ne promettez pas de curseur de stabilité qui n'existe pas encore.

La soumission suit le flux de tâches asynchrones standard de hiapi : POST de la requête ci-dessus pour créer la tâche, interrogation de son statut, puis téléchargement du fichier audio généré une fois terminé — le même schéma que celui utilisé par les modèles d'image et de vidéo de la plateforme, ce qui permet de l'intégrer directement à vos pipelines existants.

Construire un workflow audio e-commerce autour de ce modèle

Doublage de vidéos produit. Si vous produisez déjà de courts clips produit — par exemple avec Kling pour la vidéo courte — Text to Dialogue est la couche audio naturelle du même matériau : écrivez un script à deux voix (animateur + voix de réaction) pour narrer les temps forts déjà montrés à l'image, plutôt qu'une voix off monocorde.

Lecture publicitaire multi-personnages. Un bref échange entre deux « clients » sonne plus authentique qu'un script publicitaire à narration unique, et ne nécessite qu'un seul appel API plutôt que la coordination de deux enregistrements distincts.

Scripts promotionnels et de soldes. Alternez une voix d'annonceur et une seconde voix « hype » pour les audios de ventes flash ou de promotions saisonnières, puis conservez la même ossature de script et le même duo de voix d'un SKU à l'autre — il suffit de remplacer les noms de produits, les prix et les détails de l'offre entre deux appels.

Tarification et budget

À 0,125 $ pour 1 000 caractères, la génération d'un script publicitaire à deux voix typique de 15 à 20 secondes (environ 250 à 350 caractères) ne coûte qu'une fraction de centime ; un script de démonstration produit multi-tours plus long de 60 à 90 secondes (700 à 900 caractères) revient à environ 0,09–0,11 $. La facturation dépend entièrement du nombre total de caractères de l'ensemble du tableau dialogue — le nombre de locuteurs ou de lignes ne change pas la formule. Avant de budgéter des tâches en lot, vérifiez le tarif exact en vigueur sur la page de tarification hiapi, et si vous avez besoin d'une voix off unique ou de musique accompagnant le dialogue, parcourez le reste de la gamme de modèles audio.

Questions fréquentes

Text to Dialogue peut-il utiliser des voix personnalisées ou clonées ? Non. Le schéma en production n'accepte que des ID voice issus de la liste d'environ 70 voix prédéfinies de la plateforme. Ce point de terminaison ne comporte aucun champ permettant de téléverser ou de référencer un clone de voix personnalisé.

Existe-t-il des réglages ajustables de « stabilité » ou d'émotion ? Pas pour le moment. Bien que la description du modèle mentionne le contrôle de la stabilité, l'envoi dans les répliques de tout autre élément que text et voice est rejeté par l'API en production — ne construisez pas de documentation ni d'interface autour d'un curseur de stabilité avant qu'il ne soit réellement disponible.

Comment est calculé le tarif d'un script multi-locuteurs ? Selon le nombre total de caractères de l'ensemble du tableau dialogue, à 0,125 $ pour 1 000 caractères — et non par ligne, par locuteur ou par seconde d'audio produit.

Que renvoie la tâche ? Une URL de fichier audio téléchargeable, livrée de la même manière que toute autre sortie de tâche hiapi. Téléchargez et enregistrez les octets immédiatement — les liens de sortie de tâche ont une durée de validité limitée et ne constituent pas un hébergement permanent.

Peut-on l'utiliser pour des scripts non anglais ? Le modèle est répertorié avec plus de 70 langues dans le catalogue de modèles de hiapi lui-même, le support multilingue des dialogues existe donc au niveau de la plateforme. Avant de lancer une production complète, testez votre script dans la langue cible avec un court échantillon.

Text to Dialogue est une option parmi la gamme croissante d'API audio de hiapi. Ouvrez la page du modèle pour exécuter votre propre script, ou consultez la page de tarification pour connaître les tarifs actuels de chaque modèle.