टेक्स्ट टू स्पीच और वॉइस एजेंट API

अपने कोडिंग एजेंट के साथ शुरू करें। पहले से अकाउंट या API key की ज़रूरत नहीं है।

इसे Claude Code, Cursor या Codex में पेस्ट करें। यह आपको साइन इन करता है या अकाउंट बनाता है, एक key बनाता है और आपके प्रोजेक्ट में SDK जोड़ता है।

Add ElevenLabs to my project: run `npx -y @elevenlabs/cli@latest onboard init` and follow what it prints.

जानें कि यह कैसे काम करता है, या यह आपके एजेंट को क्या बताता है, यह ठीक-ठीक देखने के लिए onboard कमांड का सोर्स पढ़ें।

ElevenLabs कैसे काम करता है?

ElevenLabs AI वॉइस इन्फ्रास्ट्रक्चर देता है: टेक्स्ट टू स्पीच, स्पीच टू टेक्स्ट, वॉइस क्लोनिंग, वॉइस एजेंट और जेनरेटिव ऑडियो। अलग-अलग उपयोगकर्ताओं के लिए उपयुक्त, इसे इस्तेमाल करने के चार तरीके हैं।

ElevenCreative एक नो-कोड वेब ऐप्लिकेशन है, जिसमें क्रिएटर्स, प्रोड्यूसर्स और एडिटर्स ब्राउज़र में सीधे वॉइसओवर, संगीत, डब और स्टूडियो प्रोजेक्ट्स बनाते हैं।

ElevenAgents वॉइस एजेंट डिज़ाइन करने और चलाने का प्लेटफ़ॉर्म है, जिसमें गैर-तकनीकी यूज़र्स के लिए विज़ुअल बिल्डर और डेवलपर्स के लिए पूरा प्रोग्रामैटिक कंट्रोल है।

ElevenAPI हर क्षमता को आधिकारिक Python और TypeScript SDKs के साथ REST इंटरफ़ेस के रूप में उपलब्ध कराता है, ताकि डेवलपर अपने ऐप्लिकेशन्स और वर्कफ़्लो में वॉइस जोड़ सकें।

Reception.ai छोटे और मध्यम व्यवसायों के लिए तैयार-टू-डिप्लॉय AI फ़ोन रिसेप्शनिस्ट है, जो कॉल का जवाब देता है, अपॉइंटमेंट बुक करता है और एक ही डैशबोर्ड से रोज़मर्रा के काम संभालता है।

अपना रास्ता चुनें

ElevenCreative

स्टेप-बाय-स्टेप गाइड्स के साथ ElevenCreative प्लेटफ़ॉर्म इस्तेमाल करना सीखें

ElevenAgents

ElevenLabs के साथ एजेंट बनाना, लॉन्च करना और स्केल करना सीखें

ElevenAPI

उदाहरणों और ट्यूटोरियल्स के साथ ElevenLabs API इंटीग्रेट करना सीखें

कॉन्सेप्ट्स

वॉइसेज़ ऑडियो जनरेशन में इस्तेमाल होने वाली स्पीच पर्सोना हैं। हर वॉइस की एक यूनिक ID होती है — जैसे, JBFqnCBsd6RMkjVDRZzb — जिसे आप डैशबोर्ड में चुनते हैं या API रिक्वेस्ट में भेजते हैं। ElevenLabs 10,000+ वॉइसेज़ की लाइब्रेरी रखता है। आप ऑडियो रिकॉर्डिंग से वॉइस क्लोन भी कर सकते हैं या टेक्स्ट विवरण से एक वॉइस बना सकते हैं।

मॉडल्स जनरेट किए गए ऑडियो की क्वालिटी, लेटेंसी और भाषा कवरेज नियंत्रित करते हैं। eleven_v4 90+ भाषाओं में सबसे ज़्यादा एक्सप्रेसिव आउटपुट देता है। eleven_v4_turbo ~100ms की औसत इन्फ़रेंस लेटेंसी के साथ रियल-टाइम इस्तेमाल के लिए है। हर क्षमता — स्पीच टू टेक्स्ट, संगीत, साउंड इफेक्ट्स — का अपना समर्पित मॉडल है। एक चुनने के लिए मुझे कौन-सा मॉडल इस्तेमाल करना चाहिए? देखें।

प्राइसिंग कैसे काम करती है?

क्रेडिट्स हर प्रोडक्ट में इस्तेमाल होने वाली खपत की इकाई हैं। टेक्स्ट टू स्पीच में इनपुट टेक्स्ट के हर कैरेक्टर पर एक क्रेडिट लगता है। अन्य ऑपरेशन्स में प्रोसेस किए गए ऑडियो के हर सेकंड के हिसाब से शुल्क लगता है। क्रेडिट्स हर महीने रीसेट होते हैं और अप्रयुक्त क्रेडिट्स दो महीने तक रोल ओवर हो जाते हैं। पूरी जानकारी के लिए प्राइसिंग देखें।

मासिक सब्सक्रिप्शन के बिना API इस्तेमाल करने के लिए, Pay As You Go में आप पहले से बैलेंस जोड़ सकते हैं, जो सब्सक्रिप्शन क्रेडिट्स खत्म होने के बाद ElevenLabs इस्तेमाल करने पर कम होता जाता है।

प्रोडक्शन के लिए तैयार

ElevenLabs टेक्स्ट टू स्पीच कितना तेज़ है?

Eleven Flash v2.5 ~75ms की मॉडल इन्फ़रेंस लेटेंसी के साथ ऑडियो जनरेट करता है और Eleven v4 Turbo की औसत लेटेंसी ~100ms है। Scribe v2 Realtime ~150ms में आंशिक ट्रांसक्रिप्ट लौटाता है। इन आंकड़ों में ऐप्लिकेशन और नेटवर्क लेटेंसी शामिल नहीं है, इसलिए आपके यूज़र्स को ऑडियो सुनाई देने तक का समय ज़्यादा होगा। लेटेंसी समझें में बताया गया है कि इन आंकड़ों में क्या शामिल है और लेटेंसी ऑप्टिमाइज़ेशन में एंड-टू-एंड लेटेंसी कम करने का तरीका है।

ElevenLabs स्केल कैसे संभालता है?

आपका प्लान तय करता है कि एक ही समय पर कितनी रिक्वेस्ट प्रोसेस होंगी। कॉन्करेंसी लिमिट एक साथ होने वाली बातचीत की सीमा नहीं है: आम तौर पर 5 की लिमिट, इस्तेमाल की गई वॉइसेज़ और यूज़ केस के आधार पर, लगभग 100 एकसाथ ऑडियो ब्रॉडकास्ट सपोर्ट कर सकती है। Enterprise प्लान्स में ज़्यादा लिमिट्स होती हैं। हर प्लान की लिमिट और लोड टेस्टिंग गाइडेंस के लिए कॉन्करेंसी और प्रायोरिटी देखें।

Enterprise कंट्रोल्स

प्राइवेट डिप्लॉयमेंट्स आपके अपने क्लाउड अकाउंट में ElevenAgents, टेक्स्ट टू स्पीच और स्पीच टू टेक्स्ट चलाते हैं, ताकि टेक्स्ट, ऑडियो और ट्रांसक्रिप्ट्स आपके नेटवर्क में रहें।
डेटा रेजिडेंसी डिफ़ॉल्ट U.S. लोकेशन की बजाय आपके डेटा को EU, भारत या सिंगापुर के आइसोलेटेड एनवायरनमेंट्स में स्टोर करती है। यह Enterprise फ़ीचर है।
वर्कस्पेसेज़ बिलिंग, शेयर किए गए रिसोर्सेज़, टीम एक्सेस और API key मैनेजमेंट को एक जगह लाते हैं। Enterprise वर्कस्पेसेज़ में SAML 2.0 या OIDC के ज़रिए SSO और OCSF स्कीमा में एडमिनिस्ट्रेटिव एक्शन्स के ऑडिट लॉग्स मिलते हैं।

अपना पहला ऑडियो जनरेट करें

SDK इंस्टॉल करें, अपनी API key को एनवायरनमेंट वेरिएबल के रूप में सेट करें और एक ही रिक्वेस्ट में टेक्स्ट को MP3 फ़ाइल में बदलें। इसकी बजाय अपने कोडिंग एजेंट से यह सेटअप कराने के लिए अपने कोडिंग एजेंट से सेट अप करें देखें।

SDK इंस्टॉल करें

pip install elevenlabs python-dotenv

अपनी API key सेट करें

API key बनाएं और उसे अपनी प्रोजेक्ट डायरेक्टरी में .env फ़ाइल में जोड़ें:

.env

ELEVENLABS_API_KEY=<your_api_key_here>

ऑडियो जनरेट और सेव करें

from dotenv import load_dotenv
from elevenlabs.client import ElevenLabs
import os
load_dotenv()
elevenlabs = ElevenLabs(
  api_key=os.getenv("ELEVENLABS_API_KEY"),
)
audio = elevenlabs.text_to_speech.convert(
    text="The first move is what sets everything in motion.",
    voice_id="JBFqnCBsd6RMkjVDRZzb",  # "George" - browse voices at elevenlabs.io/app/voice-library
    model_id="eleven_v4",
    output_format="mp3_44100_128",
)
with open("output.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

स्क्रिप्ट को python example.py या npx tsx example.mts से चलाएं, फिर output.mp3 खोलें। टर्मिनल से यही काम करने के लिए ElevenLabs CLI इस्तेमाल करें:

elevenlabs text-to-speech convert \
  --voice-id JBFqnCBsd6RMkjVDRZzb \
  --model-id eleven_v4 \
  --text "The first move is what sets everything in motion." \
  --output-format mp3_44100_128 \
  --output output.mp3

ElevenAPI क्विकस्टार्ट में यही रिक्वेस्ट अधिक विस्तार से बताई गई है, जिसमें CLI सेटअप और स्पीकर्स से ऑडियो चलाना शामिल है।

मैं ElevenAgents से क्या बना सकता हूँ?

ElevenAgents स्पीच रिकग्निशन, आपकी पसंद का LLM, टेक्स्ट टू स्पीच और टर्न-टेकिंग को एक वॉइस एजेंट में जोड़ता है, जिसे आप डैशबोर्ड या SDKs के ज़रिए कॉन्फ़िगर करते हैं।

कस्टमर सपोर्ट: एजेंट से नॉलेज बेस जोड़कर अपने दस्तावेज़ों के आधार पर सवालों के जवाब दिलवाएं।
फ़ोन लाइन्स: इनबाउंड और आउटबाउंड कॉल संभालने के लिए नेटिव इंटीग्रेशन से Twilio नंबर कनेक्ट करें या SIP ट्रंकिंग के ज़रिए अपना मौजूदा फ़ोन सिस्टम लाएं।
आउटबाउंड कैंपेन्स: बैच कॉलिंग से एक साथ कई आउटबाउंड कॉल करें।
वेबसाइट्स और ऐप्स: विजेट से वॉइस और टेक्स्ट, दोनों संभालने वाला एजेंट एम्बेड करें।

ElevenAgents क्विकस्टार्ट में शुरू से अंत तक अपना पहला एजेंट बनाएं।

मुझे कौन-सा मॉडल इस्तेमाल करना चाहिए?

अपने यूज़ केस से शुरू करें। नीचे दिया हर मॉडल ID, API रिक्वेस्ट में model_id के रूप में भेजने वाली वैल्यू है।

यूज़ केस	सुझाया गया मॉडल	मॉडल ID	क्यों
रियल-टाइम वॉइस एजेंट्स	Eleven v4 Turbo	`eleven_v4_turbo`	सबसे एक्सप्रेसिव रियल-टाइम डिलीवरी के साथ ~100ms† की औसत इन्फ़रेंस लेटेंसी। सबसे कम लेटेंसी के लिए `eleven_flash_v2_5` (~75ms†) इस्तेमाल करें।
एक्सप्रेसिव या लंबे फ़ॉर्म का नैरेशन	Eleven v4	`eleven_v4`	सबसे एक्सप्रेसिव मॉडल, ऑडियोबुक्स और कैरेक्टर वॉइसओवर्स के लिए उपयुक्त। हर रिक्वेस्ट में 10,000 कैरेक्टर तक (~10 मिनट का ऑडियो)। सबसे स्थिर लंबे फ़ॉर्म आउटपुट के लिए `eleven_multilingual_v2` इस्तेमाल करें।
मल्टीलिंगुअल कंटेंट	Eleven v4	`eleven_v4`	भाषाएं बदलने पर एक जैसी वॉइस क्वालिटी के साथ 90+ भाषाएं। `eleven_v4_turbo` रियल टाइम में इन्हीं भाषाओं को कवर करता है।
सबसे कम लागत	Eleven Flash v2.5	`eleven_flash_v2_5`	API जनरेशन के लिए हर कैरेक्टर पर 50% कम कीमत, 32 भाषाएं और हर रिक्वेस्ट में 40,000 कैरेक्टर तक।
स्पीच टू टेक्स्ट, बैच	Scribe v2	`scribe_v2`	शब्द-स्तर के टाइमस्टैम्प्स, 32 स्पीकर्स तक के लिए स्पीकर डायराइज़ेशन और कीटर्म प्रॉम्प्टिंग के साथ 90+ भाषाओं में ट्रांसक्रिप्शन। क्लिनिकल ऑडियो के लिए `scribe_v2_medical` इस्तेमाल करें।
स्पीच टू टेक्स्ट, रियलटाइम	Scribe v2 Realtime	`scribe_v2_realtime`	90+ भाषाओं में ~150ms† लेटेंसी के साथ ट्रांसक्रिप्ट स्ट्रीम करता है।