面向电商音频的 ElevenLabs 文本转对话 API：产品视频配音与广告朗读

ElevenLabs 文本转对话可将书面脚本转化为一个完整的多说话人音频文件：按顺序传入对话行列表，为每行分配不同的预设音色，即可得到一个成品录音，无需手动剪辑或拼接片段。通过 hiapi API，其价格为每 1,000 字符对话 $0.125，并运行在与平台上所有其他模型相同的异步任务流程上。对于电商团队而言，这是一种快速制作双主播产品演示配音、多角色广告朗读和促销脚本的方式，无需为每个 SKU 或季节性推广单独聘请配音人员。

文本转对话与单音色 TTS 的区别

标准文本转语音每次调用只能提供一个音色。若要伪造对话，通常需要为每个说话人分别运行 TTS 调用，再自行拼接片段，并期望语速和语调能够对齐。ElevenLabs 文本转对话跳过了这一步：你将整个脚本——按顺序排列的每个说话人轮次——作为一次请求发送，模型自行处理轮次切换、语速和表达方式。输出是一个单一音频文件，而不是需要你自行拼装的片段文件夹。

当“对话”实际上是一段营销音频时，这一点尤为重要：双主播产品演示、广告中顾客与销售代表的交流，或促销中播音员与“ hype”音色交替台词。这些都作为对话自然呈现，而该模型正是专为这种脚本形态而构建的。

真实的请求结构（已针对实时 schema 进行自测）

请求体被有意设计得很窄。dialogue 数组中的每个条目恰好接受两个字段——text 和 voice——不接受其他字段。发送额外字段或无效的 voice ID 会在任务运行前以 schema 错误被拒绝，这一点已得到验证：

{
  "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 必须是平台为该模型提供的约 70 个固定 ID 之一（EkK5I93UQWFDigLMpZcX、NNl6r8mD7vthiJatiJt1、YOq2y2Up4RgXP2HyXjE5 等）——此接口没有自由文本音色名称或上传音色克隆的字段。

有一点值得直接指出：模型自身的描述提到能够按行“控制稳定性”。实际上，部署的 schema 并未暴露 stability 参数（也没有 model_id 或情感标签）——仅接受 text 和 voice。如果你围绕此端点编写内部文档或 UI，请不要承诺实际尚不存在的稳定性滑块。

提交遵循 hiapi 标准的异步任务流程：POST 上述请求以创建任务，轮询其状态，完成后下载生成的音频文件——这与平台上图像和视频模型使用的模式相同，因此可直接融入现有生产管线。

围绕它构建电商音频工作流

产品视频配音。如果你已经在制作短视频产品片段——例如使用 Kling 制作短视频——文本转对话是同一素材的自然音频层：编写双音色脚本（主播 + 反应音色）来叙述视频已经呈现的节拍，而不是平淡的单音色旁白。

多角色广告朗读。两位“顾客”之间的简短来回对话比单一叙述式广告脚本更像真实评价，而且只需一次 API 调用，而不是协调两次独立的录音。

促销和特卖脚本。为限时抢购或季节性促销音频交替使用播音员音色和第二个“ hype”音色，然后在不同 SKU 之间保持相同的脚本骨架和音色搭配——只需在调用之间替换产品名称、价格和优惠详情。

定价与预算

按每 1,000 字符 $0.125 计算，典型的 15–20 秒双音色广告脚本（约 250–350 字符）生成成本仅为几美分的零头；较长的 60–90 秒多轮产品演示脚本（700–900 字符）约为 $0.09–$0.11。计费完全取决于整个 dialogue 数组的总字符数——说话人或行数不会改变公式。在为批量任务做预算前，请在 hiapi 定价页面查看当前确切价格，如果你需要单音色旁白或音乐与对话并存，请浏览其余音频模型阵容。

常见问题

文本转对话能否使用自定义或克隆音色？ 不能。实时 schema 仅接受平台自身约 70 个预设音色列表中的 voice ID。此端点没有上传或引用自定义音色克隆的字段。

是否支持可调的“稳定性”或情感设置？ 目前不支持。尽管模型自身的描述提到控制稳定性，但在对话行中发送 text 和 voice 之外的任何内容都会被实时 API 拒绝——在稳定性滑块真正上线前，不要围绕它构建文档或 UI。

多说话人脚本的定价如何计算？ 按整个 dialogue 数组的总字符数计算，每 1,000 字符 $0.125——不是按行、按说话人或按输出音频的秒数。

任务会返回什么？ 一个可下载的音频文件 URL，交付方式与任何其他 hiapi 任务输出相同。请立即下载并保存字节——任务输出链接有时间限制，不是永久托管。

能否用于非英语脚本？ 该模型在 hiapi 自身的模型目录中列有 70 多种语言，因此平台层面支持多语言对话。在投入完整生产之前，请先用短样本测试你的目标语言脚本。

文本转对话是 hiapi 上不断增长的音频 API 阵容中的一个选项。打开模型页面运行你自己的脚本，或查看定价页面了解每个模型的当前费率。