API ElevenLabs text-to-dialogue per l'audio e-commerce: doppiaggio di video di prodotto e lettura di annunci

ElevenLabs text-to-dialogue trasforma uno script scritto in un unico file audio multi-parlante: passa in ordine una lista di righe di dialogo, assegna a ciascuna una voce preset diversa e ottieni una registrazione finita, senza montaggio manuale né concatenazione di frammenti. Tramite l'API hiapi, il prezzo è di $0,125 ogni 1.000 caratteri di dialogo e gira sullo stesso flusso di attività asincrone di tutti gli altri modelli della piattaforma. Per i team e-commerce è un modo rapido per produrre doppiaggi di presentazioni prodotto a due conduttori, letture di annunci multi-personaggio e script promozionali senza ingaggiare doppiatori per ogni SKU o per ogni campagna stagionale.

Differenza tra text-to-dialogue e TTS a voce singola

Il text-to-speech standard fornisce una sola voce per chiamata. Per simulare un dialogo di solito servono chiamate TTS separate per ogni parlante, quindi si concatenano i frammenti a mano sperando che ritmo e intonazione si allineino. ElevenLabs text-to-dialogue salta questo passaggio: invii l'intero script — l'insieme ordinato dei turni di ogni parlante — come un'unica richiesta e il modello gestisce da solo i cambi di turno, il ritmo e l'espressività. L'output è un unico file audio, non una cartella di frammenti da assemblare.

Questo conta soprattutto quando il "dialogo" è in realtà un audio marketing: presentazioni prodotto a due conduttori, scambi tra cliente e addetto vendite in un annuncio, o battute alternate tra voce narrante e voce "hype" in una promo. Tutti questi contenuti funzionano naturalmente come dialogo, e il modello è progettato proprio per questa forma di script.

La struttura reale della richiesta (verificata sullo schema in tempo reale)

Il corpo della richiesta è volutamente ristretto. Ogni elemento dell'array dialogue accetta esattamente due campi — text e voice — e nessun altro. L'invio di campi aggiuntivi o di un ID voice non valido viene rifiutato con un errore di schema prima che l'attività parta, come verificato:

{
  "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 deve essere uno dei circa 70 ID fissi che la piattaforma fornisce per questo modello (EkK5I93UQWFDigLMpZcX, NNl6r8mD7vthiJatiJt1, YOq2y2Up4RgXP2HyXjE5, ecc.) — questa interfaccia non ha campi per nomi di voce in testo libero né per il caricamento di cloni vocali.

Un punto da segnalare subito: la descrizione del modello menziona la possibilità di "controllare la stabilità" per riga. In pratica lo schema distribuito non espone il parametro stability (né model_id né etichette emotive) — accetta solo text e voice. Se scrivi documentazione interna o una UI per questo endpoint, non promettere uno slider di stabilità che al momento non esiste.

L'invio segue il flusso asincrono standard di hiapi: POST della richiesta per creare l'attività, polling dello stato, download del file audio generato al completamento — lo stesso schema usato dai modelli immagine e video della piattaforma, quindi si integra direttamente nelle pipeline di produzione esistenti.

Costruire attorno ad esso un workflow audio e-commerce

Doppiaggio di video di prodotto. Se stai già realizzando brevi clip di prodotto — ad esempio con Kling per video brevi — text-to-dialogue è il livello audio naturale per lo stesso materiale: scrivi uno script a due voci (conduttore + voce di reazione) che racconta i momenti già mostrati dal video, invece di una piatto voiceover a voce singola.

Lettura di annunci multi-personaggio. Un breve botta e risposta tra due "clienti" suona più come una recensione reale di uno script pubblicitario narrativo unico, e richiede una sola chiamata API invece di coordinare due registrazioni separate.

Script promozionali e di saldo. Alterna una voce da annunciatore e una seconda voce "hype" per audio di offerte lampo o promozioni stagionali, poi mantieni la stessa struttura di script e lo stesso abbinamento di voci tra i vari SKU — basta cambiare nomi dei prodotti, prezzi e dettagli dell'offerta tra una chiamata e l'altra.

Prezzi e budget

A $0,125 ogni 1.000 caratteri, un tipico script pubblicitario a due voci da 15–20 secondi (circa 250–350 caratteri) costa solo una frazione di centesimo; uno script più lungo da 60–90 secondi con più turni di presentazione prodotto (700–900 caratteri) costa circa $0,09–$0,11. La fatturazione dipende interamente dal numero totale di caratteri dell'intero array dialogue — il numero di parlanti o di righe non cambia la formula. Prima di preventivare attività in batch, controlla i prezzi esatti attuali sulla pagina prezzi di hiapi, e se ti serve un voiceover a voce singola o musica insieme al dialogo, esplora il resto della gamma di modelli audio.

Domande frequenti

Text-to-dialogue può usare voci personalizzate o cloni? No. Lo schema in tempo reale accetta solo ID voice dall'elenco di circa 70 voci preset della piattaforma. Questo endpoint non ha campi per caricare o referenziare cloni vocali personalizzati.

Sono supportate impostazioni regolabili di "stabilità" o emozione? Al momento no. Sebbene la descrizione del modello menzioni il controllo della stabilità, inviare qualsiasi cosa oltre a text e voice in una riga di dialogo viene rifiutato dall'API in tempo reale — finché lo slider di stabilità non sarà realmente disponibile, non costruirci documentazione o UI attorno.

Come viene calcolato il prezzo per script multi-parlante? Sul numero totale di caratteri dell'intero array dialogue, a $0,125 ogni 1.000 caratteri — non per riga, per parlante o per secondi di audio prodotto.

Cosa restituisce l'attività? Un URL a un file audio scaricabile, consegnato come qualsiasi altro output di attività hiapi. Scarica e salva subito i byte — i link agli output delle attività hanno una scadenza e non sono hosting permanente.

Si può usare per script non in inglese? Il modello è elencato con oltre 70 lingue nel catalogo modelli di hiapi stesso, quindi il supporto multilingue del dialogo esiste a livello di piattaforma. Prima di investire in una produzione completa, testa lo script nella lingua di destinazione con un breve campione.

Text-to-dialogue è un'opzione nella crescente gamma di API audio su hiapi. Apri la pagina del modello per eseguire il tuo script, oppure consulta la pagina prezzi per le tariffe attuali di ciascun modello.