ElevenLabs 语音服务

完整的语音解决方案 —— 使用单一 API 同时支持 TTS（文本转语音）与 STT（语音转文本）：

• TTS：文本转语音（高品质语音）
• STT：通过 Scribe 实现语音转文本（高精度转录）

快速开始

环境配置

设置您的 API 密钥：

export ELEVENLABS_API_KEY="sk_..."

或在工作区根目录下创建 .env 文件。

文本转语音（TTS）

将文本转换为自然流畅的语音：

python scripts/elevenlabs_speech.py tts -t "Hello world" -o greeting.mp3

使用自定义音色：

python scripts/elevenlabs_speech.py tts -t "Hello" -v "voice_id_here" -o output.mp3

列出可用音色

python scripts/elevenlabs_speech.py voices

在代码中使用

from scripts.elevenlabs_speech import ElevenLabsClient

client = ElevenLabsClient(api_key="sk_...")

# 基础 TTS
result = client.text_to_speech(
    text="Hello from zerox",
    output_path="greeting.mp3"
)

# 自定义参数
result = client.text_to_speech(
    text="Your text here",
    voice_id="21m00Tcm4TlvDq8ikWAM",  # Rachel
    stability=0.5,
    similarity_boost=0.75,
    output_path="output.mp3"
)

# 获取可用音色列表
voices = client.get_voices()
for voice in voices['voices']:
    print(f"{voice['name']}: {voice['voice_id']}")

常用音色

音色参数

• stability（0–1）：值越低，情感表现越丰富；值越高，语音越稳定
• similarity_boost（0–1）：值越高，生成语音越接近原始音色特征

默认值：stability=0.5，similarity_boost=0.75

模型

• eleven_turbo_v2_5 — 快速且高质量（默认）
• eleven_multilingual_v2 — 多语言场景最佳（非英语首选）
• eleven_monolingual_v1 — 仅支持英语

与 Telegram 集成

当用户发送文本并期望语音回复时：

# 生成语音
result = client.text_to_speech(text=user_text, output_path="reply.mp3")

# 使用 Telegram 消息工具发送语音消息（指定 media 路径）
message(action="send", media="path/to/reply.mp3", as_voice=True)

定价

请访问 https://elevenlabs.io/pricing 查看最新资费信息。免费额度可用！

使用 ElevenLabs Scribe 进行语音转文本（STT）

使用 ElevenLabs Scribe 对语音消息进行转录：

音频转录

python scripts/elevenlabs_scribe.py voice_message.ogg

指定语言：

python scripts/elevenlabs_scribe.py voice_message.ogg --language ara

启用说话人分离（适用于多人对话）：

python scripts/elevenlabs_scribe.py voice_message.ogg --speakers 2

在代码中使用

from scripts.elevenlabs_scribe import ElevenLabsScribe

client = ElevenLabsScribe(api_key="sk-...")

# 基础转录
result = client.transcribe("voice_message.ogg")
print(result['text'])

# 提供语言提示（提升准确率）
result = client.transcribe("voice_message.ogg", language_code="ara")

# 启用说话人检测
result = client.transcribe("voice_message.ogg", num_speakers=2)

支持的格式

• mp3、mp4、mpeg、mpga、m4a、wav、webm
• 单文件最大尺寸：100 MB
• 对 Telegram 语音消息（.ogg 格式）支持良好

语言支持

Scribe 支持 99 种语言，包括：

• 阿拉伯语（ara）
• 英语（eng）
• 西班牙语（spa）
• 法语（fra）
• 以及其他多种语言……

若未提供语言提示，系统将自动识别语种。

完整工作流示例

用户发送语音消息 → 您以语音形式回复：

from scripts.elevenlabs_scribe import ElevenLabsScribe
from scripts.elevenlabs_speech import ElevenLabsClient

# 1. 转录用户语音消息
stt = ElevenLabsScribe()
transcription = stt.transcribe("user_voice.ogg")
user_text = transcription['text']

# 2. 处理/理解文本内容
# ... 您的业务逻辑 ...

# 3. 生成回复文本
response_text = "Your response here"

# 4. 将回复文本转为语音
tts = ElevenLabsClient()
tts.text_to_speech(response_text, output_path="reply.mp3")

# 5. 发送语音回复
message(action="send", media="reply.mp3", as_voice=True)

定价

请访问 https://elevenlabs.io/pricing 查看最新资费信息：

TTS（文本转语音）：

• 免费额度：每月 10,000 字符
• 付费方案可选

STT（语音转文本）— Scribe：

• 提供免费额度
• 具体价格请参考官网