ElevenLabs 快速上手：从账号准备到第一次语音合成

ElevenLabs 提供的是 AI 语音基础设施，覆盖文本转语音、语音转文本、声音克隆、对话式智能体以及生成式音频等能力。它并不是单一产品，而是按使用人群分成四个入口：面向创作者、制作人和剪辑师的无代码网页应用 ElevenCreative；用于设计和运营对话式语音智能体的 ElevenAgents；把全部能力以 REST 接口暴露出来的 ElevenAPI，并配有官方 Python 与 TypeScript SDK；以及面向中小企业的现成 AI 电话接待员 Reception AI。如果你打算把语音能力嵌进自己的应用或工作流，起点就是 ElevenAPI。本站的 ElevenLabs 工具页可以作为入口参考。

这篇教程面向第一次接触 ElevenLabs 的开发者，目标是把前置条件、核心概念、调用步骤和常见限制讲清楚，让你能独立跑通一次文本转语音请求，并知道接下来该往哪个方向扩展。

准备工作

账号与订阅

使用 ElevenLabs 需要先注册账号。免费额度可以让你完成初步验证，但部分能力有订阅门槛，例如音乐生成在 Starter 及以上套餐才提供商用授权。具体套餐划分、价格与额度以官网当前信息为准，不要依赖第三方转述的数字。

API 密钥

调用 ElevenAPI 需要 API 密钥。密钥在账号后台的 API Keys 区域创建和管理。工作区层面还涉及成员、计费组、服务账号、域名验证、SSO（Microsoft Entra SAML、Okta SAML）、SCIM、资源共享、用户组、模型审批和审计日志等管理项，团队协作时这些配置会直接影响谁能用哪些模型。

SDK 与运行环境

官方提供 Python 和 TypeScript 两个 SDK。你也可以直接用任意 HTTP 客户端调用 REST 接口。选择 SDK 的好处是请求体结构和流式响应处理已经封装好，减少手写出错。

先想清楚用哪个入口

• ElevenCreative：不写代码，在浏览器里直接生成配音、音乐、配音译制和工作室项目。
• ElevenAgents：设计并运营对话式语音智能体，非技术用户可用可视化搭建器，开发者可以完全编程控制。
• ElevenAPI：把每一项能力作为 REST 接口调用，适合嵌入自有应用。
• Reception AI：开箱即用的 AI 电话接待员，接听来电、预约并处理日常事务。

操作步骤

第一步：理解三个核心概念

在动手之前，先把三个概念弄清楚，后面所有操作都围绕它们展开。

声音（Voices）是音频生成时使用的语音人格。每个声音有唯一 ID，例如 JBFqnCBsd6RMkjVDRZzb。你可以在控制台里选择，也可以在 API 请求里直接传这个 ID。平台维护着一个超过 10,000 个声音的库，此外还支持从一段录音克隆声音，或者用一段文字描述生成声音。

模型（Models）决定生成音频的质量、延迟和语言覆盖范围。文本转语音、语音转文本、音乐、音效等每类能力都有各自专用的模型，不要指望一个模型通吃。

额度（Credits）是所有产品共用的消费单位。文本转语音按输入文本的字符数计费，一个字符一个额度；其他操作按处理的音频秒数计费。额度每月重置，未用完的部分最多可以结转两个月。

第二步：按需求挑选模型

文本转语音是使用频率最高的能力，可选模型如下。

语音识别方向有 Scribe v2、Scribe v2 Realtime 和 Scribe v2 Medical。Scribe v2 支持 90 多种语言，具备关键术语提示（最多 1000 个词）、实体检测（65 种实体类型）、用自然语言指令编辑转写结果、精确到词的时间戳、最多 32 个说话人的分离、动态音频标签和智能语言检测。Scribe v2 Realtime 面向实时转写，延迟约 150ms。Scribe v2 Medical 针对临床音频微调，在临床音频上的转写错误比 Scribe v2 少 35%，日常语音的准确率与 Scribe v2 持平，功能、语言、价格和 API 也一致。

其他能力包括音乐生成、文本转对话、图像与视频生成、变声、人声分离、配音、音效、声音克隆与设计、声音重混、强制对齐，以及把语音接入任意应用的 Speech Engine。私有部署方案允许在自己的云环境中运行 ElevenLabs。

第三步：发起第一次文本转语音请求

确定模型和声音 ID 之后，就可以构造请求。核心参数是文本内容、模型标识和声音 ID。模型标识使用上表中的名称，例如 eleven_v4、eleven_v4_turbo、eleven_v3、eleven_multilingual_v2、eleven_flash_v2_5。声音 ID 从控制台复制，或从声音库中选取。

请求通过 HTTP 头发送 API 密钥完成鉴权，请求体包含文本与模型参数，响应返回音频数据。使用官方 Python 或 TypeScript SDK 时，这一步被封装成一次方法调用，你只需要传入文本、声音 ID 和模型名。

第四步：处理返回结果

文本转语音返回的是音频内容，可以直接写入文件或流式转发给前端。注意字符上限是按模型区分的：v4 和 Multilingual v2 是 10,000 字符，v3 是 5,000 字符，Flash v2.5 是 40,000 字符。超长文本需要先切分再分段合成，否则请求会被拒绝。

第五步：按需扩展到其他能力

跑通文本转语音之后，其他能力的使用方式类似：选定对应模型，构造请求，处理返回。语音转文本按音频小时计费，音乐、音效、变声、人声分离、配音按音频分钟计费。Speech Engine 按分钟计费，它把语音模型组合成一条低延迟的智能体流水线，适合给聊天智能体加上语音。

一个完整示例

下面是一个最小可运行流程，从零到拿到音频文件。

1. 注册 ElevenLabs 账号并登录控制台。
2. 在 API Keys 区域创建一个 API 密钥，妥善保存，它只显示一次。
3. 在声音库中挑选一个声音，复制它的声音 ID，例如 JBFqnCBsd6RMkjVDRZzb。
4. 确定使用哪个模型。追求表现力选 eleven_v4；追求实时响应选 eleven_v4_turbo；长文本且要求稳定选 eleven_multilingual_v2；追求低成本和低延迟选 eleven_flash_v2_5。
5. 准备待合成的文本，确认长度不超过所选模型的字符上限。
6. 用官方 SDK 或 HTTP 客户端发起请求，在请求头中带上 API 密钥，在请求体中传入文本、模型标识和声音 ID。
7. 把返回的音频数据写入文件，播放验证效果。
8. 在控制台的用量页面核对本次消耗的额度，确认计费方式符合预期。

如果这一步失败，优先检查三件事：API 密钥是否有效、声音 ID 是否存在于当前工作区、文本长度是否超过模型上限。

注意事项

• 额度按字符或秒计费，容易低估。文本转语音按输入字符数扣费，一个字符一个额度；其他操作按音频秒数扣费。长文本批量合成前先估算消耗。
• 额度会重置也会结转。额度每月重置，未用完的部分最多结转两个月，过期作废。
• 字符上限因模型而异。v3 只有 5,000 字符，v4 和 Multilingual v2 是 10,000，Flash v2.5 是 40,000。跨模型迁移代码时这一点最容易踩坑。
• 延迟数字不含应用与网络开销。官方给出的中位推理延迟（v4 Turbo 约 100ms、Flash v2.5 约 75ms、v3 Conversational 约 280ms、Scribe v2 Realtime 约 150ms）都排除了应用层和网络传输时间，实际端到端延迟会更高。
• 商用授权与套餐挂钩。音乐生成的商用授权在 Starter 及以上套餐提供，免费或低档套餐不包含。具体以官网当前信息为准。
• 医疗场景有额外合规要求。Scribe v2 Medical 具备 HIPAA 适用资格，提供 BAA 和零保留模式，普通模型不具备这些条件。
• 团队协作涉及权限配置。成员、计费组、服务账号、用户组、模型审批、审计日志等管理项会影响谁能调用哪些模型，多人协作前先理清。
• 价格与功能随时可能调整。本文涉及的价格、额度、模型能力和地区可用性均以官网当前信息为准。