文本转语音与文本转对话 WebSocket

ElevenLabs 提供两类用于流式合成语音的 WebSocket 产品。每类都包含 单流 版本，以及可通过一个连接复用多个独立流的 多上下文 版本。它们解决的问题不同、接受的消息格式不同，面向的模型也不同。

应该使用哪个 WebSocket？

如果要为 每个连接中的一个音色 流式传输纯文本（音色在 URL 中固定），并且需要使用 Flash 或 Multilingual v2 等 非 v3 模型、可选 SSML、分块计划，或用于智能体式打断处理的 多上下文 版本，请使用 文本转语音（TTS）WebSocket。

如果需要 Eleven v3 的对话表现：富有表现力的传达效果、每个分块的 voice_id、轮次边界（new_turn），以及与服务器端 v3 相同的面向对话缓冲机制，请使用 文本转对话（TTD）WebSocket。

如果既需要上述 Eleven v3 对话表现，又需要在单个连接上运行多个并发或交错流，请使用 TTD 多上下文 WebSocket。例如，对话式智能体需要打断并重新开始对话，而无需每次都新建 socket。

如需 批量或 HTTP 流式 对话（一次调用提交完整请求），请使用创建对话或流式对话，而非 WebSocket。

对比

更适合使用 TTS WebSocket 的情况

• 已因延迟或语言覆盖范围集成 Flash 或 Multilingual v2。
• 希望每个连接使用一个旁白音色，并采用简单的每帧文本协议。
• 需要通过 多上下文 协调处理插话和并行话语（多上下文指南）。

有关 TTS WebSocket 的完整说明，请参阅实时生成音频。

更适合使用 TTD WebSocket 的情况

• 面向 Eleven v4 对话（表现力标签、自然对话节奏、多说话人台词）。
• 流式传输脚本化或由 LLM 生成的对话，可在每行切换说话音色，无需新建连接。
• 希望采用 WebSocket 风格的增量输入，并在服务器端使用仅限 v4 的对话生成。

如需实际操作说明，请参阅实时文本转对话。协议详情请参阅 API 参考文档。

多上下文 WebSocket

两种产品均提供 多上下文 版本，可通过单个 WebSocket 连接复用多个独立流。每个上下文由客户端选定的 context_id 标识，分别缓冲各自文本，并输出带有该 context_id 标记的音频分块。TTS 上下文共享连接 URL 中的 voice_id，而 TTD 上下文注册各自的音色和设置。当需要支持打断处理的并发或交错生成时，请使用此格式。例如，语音智能体需要取消正在生成的话语并开始新话语，而无需断开连接。

更适合使用 TTD 多上下文 WebSocket 的情况

• 既需要 Eleven v3 对话表现（富有表现力的传达效果、每个分块的 voice_id、轮次边界），又需要在一个连接上运行并发或交错流。
• 正在构建对话式智能体，需打断并重新开始对话，而无需每次都新建 socket。
• 希望通过一个已验证连接分发多个独立的 v3 对话会话，例如并行场景或说话人。

如需单流 TTD WebSocket，请参阅实时文本转对话。如需 TTS 多上下文 WebSocket，请参阅多上下文 WebSocket 指南。TTD 多上下文端点的协议详情请参阅 API 参考文档。

相关指南