ElevenLabs API преобразования текста в диалог для электронной коммерции: озвучивание продуктовых видео и рекламных роликов

ElevenLabs «текст в диалог» превращает письменный сценарий в один готовый многоголосый аудиофайл: передайте список реплик по порядку, назначьте каждой строке отдельный предустановленный голос — и получите готовую запись без ручного монтажа и склейки фрагментов. Через API hiapi это стоит $0.125 за 1 000 символов диалога и выполняется в том же асинхронном процессе задач, что и все остальные модели платформы. Для команд электронной коммерции это быстрый способ создавать озвучку продуктовых демо с двумя ведущими, многоголосые рекламные ролики и промосценарии без найма отдельных дикторов для каждого SKU или сезонной акции.

Чем «текст в диалог» отличается от одно­голосого TTS

Стандартный синтез речи выдаёт один голос за вызов. Чтобы имитировать диалог, обычно приходится запускать отдельный TTS-вызов для каждого говорящего, а затем склеивать фрагменты самостоятельно, надеясь, что темп и интонация совпадут. ElevenLabs «текст в диалог» избавляет от этого шага: вы отправляете весь сценарий — все реплики говорящих по порядку — одним запросом, а модель сама обрабатывает смену реплик, темп и выразительность. На выходе — единый аудиофайл, а не папка фрагментов, которые нужно собирать вручную.

Это особенно важно, когда «диалог» на самом деле представляет собой маркетинговое аудио: продуктовое демо с двумя ведущими, разговор покупателя с продавцом в рекламе или промо, где реплики попеременно произносят голос диктора и второй «энергичный» голос. Всё это естественно звучит как диалог, и модель создана именно для такой формы сценария.

Реальная структура запроса (проверена на актуальной схеме)

Тело запроса намеренно сделано узким. Каждый элемент массива dialogue принимает ровно два поля — text и voice — и ничего больше. Отправка лишних полей или недопустимого ID voice отклоняется с ошибкой схемы ещё до запуска задачи, что подтверждено на практике:

{
  "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 должен быть одним из примерно 70 фиксированных ID, которые платформа предоставляет для этой модели (EkK5I93UQWFDigLMpZcX, NNl6r8mD7vthiJatiJt1, YOq2y2Up4RgXP2HyXjE5 и т. д.) — в этом интерфейсе нет полей для свободного текстового названия голоса или загрузки клонированного голоса.

Стоит сразу отметить: в описании самой модели упоминается возможность «управлять стабильностью» построчно. На практике развёрнутая схема не предоставляет параметр stability (как и model_id или эмоциональные теги) — принимаются только text и voice. Если вы пишете внутреннюю документацию или UI для этого эндпоинта, не обещайте ползунок стабильности, которого пока не существует.

Отправка следует стандартному асинхронному процессу задач hiapi: отправьте POST-запрос, чтобы создать задачу, опрашивайте её статус, а после завершения скачайте сгенерированный аудиофайл — та же схема, что используется для моделей изображений и видео на платформе, поэтому она легко встраивается в существующие производственные процессы.

Как построить на этом аудиоворкфлоу для электронной коммерции

Озвучка продуктовых видео. Если вы уже делаете короткие видеоролики о товарах — например, с помощью Kling для коротких видео — «текст в диалог» становится естественным звуковым слоем для того же материала: напишите двухголосый сценарий (ведущий + голос-реакция), который проговаривает те же акценты, что уже показывает видео, вместо плоского одноголосого закадрового текста.

Многоголосая реклама. Короткий диалог между двумя «покупателями» звучит более правдоподобно, чем монологичный рекламный сценарий, и требует одного вызова API вместо согласования двух отдельных записей.

Промо и сценарии распродаж. Чередуйте голос диктора и второй «энергичный» голос для флеш-распродаж или сезонных акций, а затем сохраняйте одну и ту же структуру сценария и пары голосов для разных SKU — достаточно менять названия товаров, цены и детали предложения между вызовами.

Цены и бюджетирование

При цене $0.125 за 1 000 символов типичный 15–20-секундный двухголосый рекламный сценарий (около 250–350 символов) обходится в считанные копейки; более длинный 60–90-секундный сценарий продуктового демо с несколькими репликами (700–900 символов) — примерно в $0.09–$0.11. Оплата полностью зависит от общего числа символов всего массива dialogue — количество говорящих или реплик на формулу не влияет. Перед бюджетированием массовых задач проверьте актуальные точные цены на странице тарифов hiapi, а если вам нужен одноголосый закадровый текст или музыка вместе с диалогом, просмотрите остальной набор аудиомоделей.

Частые вопросы

Можно ли использовать собственные или клонированные голоса в «тексте в диалог»? Нет. Актуальная схема принимает ID voice только из собственного списка примерно 70 предустановленных голосов платформы. В этом эндпоинте нет полей для загрузки или ссылки на клонированный голос.

Поддерживаются ли настраиваемые «стабильность» или эмоциональные настройки? На данный момент нет. Хотя в описании модели упоминается управление стабильностью, любые данные кроме text и voice в репликах диалога отклоняются актуальным API — не стройте документацию или UI вокруг ползунка стабильности, пока он действительно не появится.

Как рассчитывается цена для сценария с несколькими говорящими? По общему числу символов всего массива dialogue — $0.125 за 1 000 символов, — а не по строкам, говорящим или секундам выходного аудио.

Что возвращает задача? URL загружаемого аудиофайла, доставляемый так же, как любой другой результат задачи hiapi. Скачайте и сохраните байты сразу — ссылки на результаты задачи имеют ограниченный срок действия и не являются постоянным хостингом.

Можно ли использовать для сценариев не на английском? В каталоге моделей hiapi для этой модели указано более 70 языков, поэтому на уровне платформы многоязычные диалоги поддерживаются. Перед запуском в полное производство протестируйте сценарий на целевом языке на коротком образце.

«Текст в диалог» — один из вариантов в растущем наборе аудио API hiapi. Откройте страницу модели, чтобы запустить собственный сценарий, или загляните на страницу тарифов, чтобы узнать актуальные расценки для каждой модели.