/n <div>\n <img src=https://elevenlabs.io/"file:assets/images/overview/voice-library-bg.webp/" alt=\"\" />\n </div>\n\n <div>\n <h3>\n ElevenCreative\n </h3>\n\n <p>\n Dowiedz się, jak korzystać z ElevenCreative dzięki przewodnikom krok po kroku\n </p>\n </div>\n </a>\n\n <a href=https://elevenlabs.io/"/docs/pl/eleven-agents/overview/">/n <div>\n <img src=https://elevenlabs.io/"file:assets/images/agents/agents-overview-integrate.png/" alt=\"\" />\n </div>\n\n <div>\n <h3>\n ElevenAgents\n </h3>\n\n <p>\n Dowiedz się, jak tworzyć, uruchamiać i skalować agentów z ElevenLabs\n </p>\n </div>\n </a>\n\n <a href=https://elevenlabs.io/"/docs/pl/eleven-api/quickstart/">/n <div>\n <img src=https://elevenlabs.io/"file:assets/images/overview/scribe-code-bg.webp/" alt=\"\" />\n </div>\n\n <div>\n <h3>\n ElevenAPI\n </h3>\n\n <p>\n Dowiedz się, jak integrować API ElevenLabs na przykładach i w samouczkach\n </p>\n </div>\n </a>\n</div>\n\n## Podstawowe pojęcia\n\n**Głosy** to persony mowy używane do generowania audio. Każdy głos ma unikalny identyfikator — na przykład `JBFqnCBsd6RMkjVDRZzb` — który wybierasz w panelu lub przekazujesz w żądaniach API. ElevenLabs udostępnia [bibliotekę ponad 10 000 głosów](https://elevenlabs.io/app/voice-library). Możesz też sklonować głos z nagrania audio lub wygenerować go na podstawie opisu tekstowego.\n\n**Modele** określają jakość, opóźnienie i obsługiwane języki generowanego audio. [`eleven_v4`](/docs/pl/overview/models) tworzy najbardziej ekspresyjne wyniki w ponad 90 językach. [`eleven_v4_turbo`](/docs/pl/overview/models) jest przeznaczony do użycia w czasie rzeczywistym, ze średnim opóźnieniem inferencji około 100 ms. Każda funkcja — zamiana mowy na tekst, muzyka, efekty dźwiękowe — ma własny dedykowany model. Zobacz [Którego modelu użyć?](#which-model-should-i-use), aby wybrać odpowiedni.\n\n## Jak działa rozliczanie?\n\n**Kredyty** to wspólna dla wszystkich produktów jednostka zużycia. Zamiana tekstu na mowę kosztuje jeden kredyt za znak tekstu wejściowego. Inne operacje są rozliczane za sekundę przetworzonego audio. Kredyty odnawiają się co miesiąc, a niewykorzystane przechodzą na maksymalnie dwa miesiące. Pełny cennik znajdziesz na stronie [cen](https://elevenlabs.io/pricing/api).\n\nJeśli chcesz korzystać z API bez miesięcznej subskrypcji, [Pay As You Go](/docs/pl/overview/administration/pay-as-you-go) pozwala opłacić z góry saldo, które jest pobierane podczas korzystania z ElevenLabs — po wykorzystaniu kredytów subskrypcyjnych.\n\n## Gotowe do produkcji\n\n### Jak szybka jest zamiana tekstu na mowę ElevenLabs?\n\nEleven Flash v2.5 generuje audio z opóźnieniem inferencji modelu około 75 ms, a Eleven v4 Turbo ze średnim opóźnieniem około 100 ms. Scribe v2 Realtime zwraca częściowe transkrypcje w około 150 ms. Te wartości nie obejmują opóźnień aplikacji i sieci, więc czas, po którym użytkownicy usłyszą audio, będzie dłuższy. [Informacje o opóźnieniach](/docs/pl/eleven-api/concepts/latency) wyjaśniają, co obejmują te wartości, a [Optymalizacja opóźnień](/docs/pl/eleven-api/guides/how-to/best-practices/latency-optimization) pokazuje, jak skrócić opóźnienie end-to-end.\n\n### Jak ElevenLabs radzi sobie ze skalą?\n\nTwój plan określa, ile żądań może być przetwarzanych jednocześnie. Limit współbieżności nie jest limitem równoczesnych rozmów: orientacyjnie limit 5 zwykle obsługuje około 100 jednoczesnych transmisji audio, zależnie od używanych głosów i zastosowania. Plany Enterprise mają wyższe limity. Limity dla poszczególnych planów i wskazówki dotyczące testów obciążeniowych znajdziesz w artykule [Współbieżność i priorytet](/docs/pl/overview/models#concurrency-and-priority).\n\n### Kontrole Enterprise\n\n* **[Wdrożenia prywatne](/docs/pl/overview/capabilities/private-deployment)** uruchamiają ElevenAgents, Text to Speech i Speech to Text na twoim własnym koncie chmurowym, więc tekst, audio i transkrypcje pozostają w twojej sieci.\n* **[Rezydencja danych](/docs/pl/overview/administration/data-residency)** przechowuje dane w odizolowanych środowiskach w UE, Indiach lub Singapurze zamiast w domyślnej lokalizacji w USA. To funkcja Enterprise.\n* **[Obszary robocze](/docs/pl/overview/administration/workspaces/overview)** centralizują rozliczenia, wspólne zasoby, dostęp zespołu i zarządzanie kluczami API. Obszary robocze Enterprise dodają [SSO](/docs/pl/overview/administration/workspaces/sso) przez SAML 2.0 lub OIDC oraz [dzienniki audytu](/docs/pl/overview/administration/workspaces/audit-logs) działań administracyjnych w schemacie OCSF.\n\n## Wygeneruj pierwsze audio\n\nZainstaluj SDK, ustaw klucz API jako zmienną środowiskową i przekonwertuj tekst do pliku MP3 jednym żądaniem. Jeśli wolisz, by konfigurację wykonał twój agent kodujący, zobacz [Konfiguracja z agentem kodującym](/docs/pl/eleven-api/quickstart#set-up-with-your-coding-agent).\n\n<Steps>\n <Step title=\"Zainstaluj SDK\">\n <CodeBlocks>\n ```bash title=\"Python\"\n pip install elevenlabs python-dotenv\n ```\n\n ```bash title=\"TypeScript\"\n npm install @elevenlabs/elevenlabs-js dotenv\n ```\n </CodeBlocks>\n </Step>\n\n <Step title=\"Ustaw klucz API\">\n [Utwórz klucz API](https://elevenlabs.io/app/settings/api-keys) i dodaj go do pliku `.env` w katalogu projektu:\n\n ```js title=\".env\"\n ELEVENLABS_API_KEY=<your_api_key_here>\n ```\n </Step>\n\n <Step title=\"Wygeneruj i zapisz audio\">\n <CodeBlocks>\n ```python\n from dotenv import load_dotenv\n from elevenlabs.client import ElevenLabs\n import os\n\n load_dotenv()\n\n elevenlabs = ElevenLabs(\n api_key=os.getenv(\"ELEVENLABS_API_KEY\"),\n )\n\n audio = elevenlabs.text_to_speech.convert(\n text=\"The first move is what sets everything in motion.\",\n voice_id=\"JBFqnCBsd6RMkjVDRZzb\", # \"George\" - browse voices at elevenlabs.io/app/voice-library\n model_id=\"eleven_v4\",\n output_format=\"mp3_44100_128\",\n )\n\n with open(\"output.mp3\", \"wb\") as f:\n for chunk in audio:\n f.write(chunk)\n\n ```\n\n ```typescript\n import { ElevenLabsClient } from \"@elevenlabs/elevenlabs-js\";\n import \"dotenv/config\";\n import { writeFile } from \"node:fs/promises\";\n\n const elevenlabs = new ElevenLabsClient();\n const audio = await elevenlabs.textToSpeech.convert(\n \"JBFqnCBsd6RMkjVDRZzb\", // \"George\" - browse voices at elevenlabs.io/app/voice-library\n {\n text: \"The first move is what sets everything in motion.\",\n modelId: \"eleven_v4\",\n outputFormat: \"mp3_44100_128\",\n }\n );\n\n await writeFile(\"output.mp3\", Buffer.from(await new Response(audio).arrayBuffer()));\n\n ```\n </CodeBlocks>\n\n Uruchom skrypt poleceniem `python example.py` lub `npx tsx example.mts`, a następnie otwórz `output.mp3`. Aby zrobić to samo w terminalu, użyj [CLI ElevenLabs](/docs/pl/eleven-api/quickstart):\n\n ```bash\n elevenlabs text-to-speech convert \\\n --voice-id JBFqnCBsd6RMkjVDRZzb \\\n --model-id eleven_v4 \\\n --text \"The first move is what sets everything in motion.\" \\\n --output-format mp3_44100_128 \\\n --output output.mp3\n ```\n </Step>\n</Steps>\n\n[Przewodnik startowy ElevenAPI](/docs/pl/eleven-api/quickstart) szczegółowo omawia to samo żądanie, w tym konfigurację CLI i odtwarzanie audio przez głośniki.\n\n## Co mogę stworzyć z ElevenAgents?\n\nElevenAgents łączy rozpoznawanie mowy, wybrany przez ciebie LLM, zamianę tekstu na mowę i obsługę zmian tur w jednego agenta głosowego, którego konfigurujesz w panelu lub przez SDK.\n\n* **Obsługa klienta**: odpowiadaj na pytania na podstawie własnej dokumentacji, dołączając do agenta [bazę wiedzy](/docs/pl/eleven-agents/customization/knowledge-base).\n* **Linie telefoniczne**: połącz numer Twilio przez [natywną integrację](/docs/pl/eleven-agents/phone-numbers/twilio-integration/native-integration), aby obsługiwać połączenia przychodzące i wychodzące, lub podłącz obecny system telefoniczny przez trunking SIP.\n* **Kampanie wychodzące**: wykonuj wiele połączeń wychodzących naraz dzięki [połączeniom wsadowym](/docs/pl/eleven-agents/phone-numbers/batch-calls).\n* **Strony i aplikacje**: osadź agenta obsługującego głos i tekst za pomocą [widżetu](/docs/pl/eleven-agents/customization/widget).\n\n[Przewodnik startowy ElevenAgents](/docs/pl/eleven-agents/quickstart) pokazuje, jak stworzyć pierwszego agenta end-to-end.\n\n## Którego modelu użyć?\n\nZacznij od swojego zastosowania. Każdy identyfikator modelu poniżej to wartość przekazywana jako `model_id` w żądaniach API.\n\n| Zastosowanie | Zalecany model | ID modelu | Dlaczego |\n| -------------------------------------------- | ------------------ | -------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ |\n| Agenci głosowi w czasie rzeczywistym | Eleven v4 Turbo | `eleven_v4_turbo` | Średnie opóźnienie inferencji około 100 ms† i najbardziej ekspresyjna komunikacja w czasie rzeczywistym. Aby uzyskać najniższe opóźnienie, użyj `eleven_flash_v2_5` (\\~75 ms†). |\n| Ekspresyjna lub długa narracja | Eleven v4 | `eleven_v4` | Najbardziej ekspresyjny model, odpowiedni do audiobooków i głosów postaci. Do 10 000 znaków (\\~10 minut audio) na żądanie. Najstabilniejsze wyniki dla długich form zapewnia `eleven_multilingual_v2`. |\n| Treści wielojęzyczne | Eleven v4 | `eleven_v4` | Ponad 90 języków ze stałą jakością głosu przy zmianie języka. `eleven_v4_turbo` obsługuje te same języki w czasie rzeczywistym. |\n| Najniższy koszt | Eleven Flash v2.5 | `eleven_flash_v2_5` | Cena za znak dla generowania przez API niższa o 50%, 32 języki i do 40 000 znaków na żądanie. |\n| Zamiana mowy na tekst, wsadowo | Scribe v2 | `scribe_v2` | Transkrypcja w ponad 90 językach ze znacznikami czasu na poziomie słów, diarizacją do 32 mówców i podpowiedziami słów kluczowych. Do audio klinicznego użyj `scribe_v2_medical`. |\n| Zamiana mowy na tekst, w czasie rzeczywistym | Scribe v2 Realtime | `scribe_v2_realtime` | Przesyła transkrypcje ze opóźnieniem około 150 ms† w ponad 90 językach. |\n\nWięcej zastosowań znajdziesz w artykule [Wybór odpowiedniego modelu](/docs/pl/eleven-api/choosing-the-right-model), a pełne specyfikacje w [dokumentacji modeli](/docs/pl/overview/models).\n\n<CardGroup cols={2} rows={2}>\n <Card title=\"Eleven v4\" href=https://elevenlabs.io/"/docs/pl/overview/models#eleven-v4\">\n Nasz najbardziej emocjonalny model syntezy mowy o najwyższej jakości\n\n <div>\n <div>\n Wyjątkowe możliwości klonowania głosu\n </div>\n\n <div>\n Obsługa ponad 90 języków\n </div>\n\n <div>\n Limit 10 000 znaków\n </div>\n\n <div>\n Obsługa naturalnych dialogów wielu mówców\n </div>\n </div>\n </Card>\n\n <Card title=\"Eleven v4 Turbo\" href=https://elevenlabs.io/"/docs/pl/overview/models#eleven-v4-turbo\">\n Nasz najbardziej emocjonalny model syntezy mowy w czasie rzeczywistym\n\n <div>\n <div>\n Bardzo niskie opóźnienie (mediana opóźnienia inferencji ~100ms†)\n </div>\n\n <div>\n Wyjątkowe możliwości klonowania głosu\n </div>\n\n <div>\n Obsługa ponad 90 języków\n </div>\n\n <div>\n Tagi audio zapewniające precyzyjną kontrolę\n </div>\n </div>\n </Card>\n\n <Card title=\"Eleven v3\" href=https://elevenlabs.io/"/docs/pl/overview/models#eleven-v3\">\n Nasz ekspresyjny model syntezy mowy bogaty w emocje\n\n <div>\n <div>\n Dramatyczna interpretacja i wykonanie\n </div>\n\n <div>\n Obsługa ponad 70 języków\n </div>\n\n <div>\n Limit 5000 znaków\n </div>\n\n <div>\n Obsługa naturalnych dialogów wielu mówców\n </div>\n </div>\n </Card>\n\n <Card title=\"Eleven v3 Conversational\" href=https://elevenlabs.io/"/docs/pl/overview/models#eleven-v3-conversational\">\n Nasz ekspresyjny model syntezy mowy w czasie rzeczywistym\n\n <div>\n <div>\n Niskie opóźnienie (~280ms)\n </div>\n\n <div>\n Dramatyczna interpretacja i wykonanie\n </div>\n\n <div>\n Obsługa ponad 70 języków\n </div>\n\n <div>\n Tagi audio zapewniające precyzyjną kontrolę\n </div>\n </div>\n </Card>\n\n <Card title=\"Eleven Multilingual v2\" href=https://elevenlabs.io/"/docs/pl/overview/models#multilingual-v2\">\n Model syntezy mowy o naturalnym brzmieniu i stałej jakości\n\n <div>\n <div>\n Naturalnie brzmiące nagrania\n </div>\n\n <div>\n Obsługa 29 języków\n </div>\n\n <div>\n Limit 10 000 znaków\n </div>\n\n <div>\n Najbardziej stabilny przy długich generacjach\n </div>\n </div>\n </Card>\n\n <Card title=\"Eleven Flash v2.5\" href=https://elevenlabs.io/"/docs/pl/overview/models#flash-v25\">\n Nasz szybki, przystępny cenowo model syntezy mowy\n\n <div>\n <div>\n Bardzo niskie opóźnienie (~75ms†)\n </div>\n\n <div>\n Obsługa 32 języków\n </div>\n\n <div>\n Limit 40 000 znaków\n </div>\n\n <div>\n Szybszy model, cena za znak dla generacji API niższa o 50%\n </div>\n </div>\n </Card>\n</CardGroup>\n\n<CardGroup cols={2} rows={2}>\n <Card title=\"Scribe v2\" href=https://elevenlabs.io/"/docs/pl/overview/models#scribe-v2\">\n Najnowocześniejszy model rozpoznawania mowy\n\n <div>\n <div>\n Dokładna transkrypcja w ponad 90 językach\n </div>\n\n <div>\n Podpowiadanie kluczowych terminów, do 1000 terminów\n </div>\n\n <div>\n Wykrywanie encji, 65 typów encji\n </div>\n\n <div>\n Edycja transkrypcji za pomocą instrukcji w języku naturalnym\n </div>\n\n <div>\n Precyzyjne znaczniki czasu na poziomie słów\n </div>\n\n <div>\n Diarizacja mówców, do 32 mówców\n </div>\n\n <div>\n Dynamiczne tagowanie audio\n </div>\n\n <div>\n Inteligentne wykrywanie języka\n </div>\n </div>\n </Card>\n\n <Card title=\"Scribe v2 Realtime\" href=https://elevenlabs.io/"/docs/pl/overview/models#scribe-v2-realtime\">\n Model rozpoznawania mowy w czasie rzeczywistym\n\n <div>\n <div>\n Dokładna transkrypcja w ponad 90 językach\n </div>\n\n <div>\n Transkrypcja w czasie rzeczywistym\n </div>\n\n <div>\n Niskie opóźnienie (~150ms†)\n </div>\n\n <div>\n Precyzyjne znaczniki czasu na poziomie słów\n </div>\n\n <div>\n Wykrywanie encji, 65 typów encji\n </div>\n\n <div>\n Edycja transkrypcji za pomocą instrukcji w języku naturalnym\n </div>\n </div>\n </Card>\n\n <Card title=\"Scribe v2 Medical\" href=https://elevenlabs.io/"/docs/pl/overview/models#scribe-v2-medical\">\n Model rozpoznawania mowy dostrojony do nagrań klinicznych\n\n <div>\n <div>\n O 35% mniej błędów transkrypcji nagrań klinicznych niż w Scribe v2\n </div>\n\n <div>\n Taka sama dokładność codziennej mowy jak Scribe v2\n </div>\n\n <div>\n Te same funkcje, języki, ceny i API co Scribe v2\n </div>\n </div>\n </Card>\n</CardGroup>\n\n<div>\n <div>\n <a href=https://elevenlabs.io/"/docs/pl/overview/models/">/n Zobacz wszystkie\n </a>\n </div>\n</div>\n\n<small>\n † Bez opóźnień aplikacji i sieci. Zobacz [Informacje o\n opóźnieniach](/docs/pl/eleven-api/concepts/latency).\n</small>\n\n## Przeglądaj według funkcji\n\n<CardGroup cols={3}>\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/text-to-speech/" icon=\"file:assets/icons/tts.svg\">\n <div>\n <div>\n <div>\n Text to Speech\n </div>\n\n <p>\n Zamieniaj tekst w naturalnie brzmiącą mowę\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/speech-to-text/" icon=\"file:assets/icons/stt.svg\">\n <div>\n <div>\n <div>\n Speech to Text\n </div>\n\n <p>\n Transkrybuj mowę na tekst\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/music/" icon=\"file:assets/icons/music.svg\">\n <div>\n <div>\n <div>\n Muzyka\n </div>\n\n <p>\n Generuj muzykę z tekstu\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/text-to-dialogue/" icon=\"file:assets/icons/ttd.svg\">\n <div>\n <div>\n <div>\n Text to Dialogue\n </div>\n\n <p>\n Twórz naturalnie brzmiące dialogi z tekstu\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/image-video/" icon=\"file:assets/icons/image-and-video.svg\">\n <div>\n <div>\n <div>\n Obrazy i wideo\n </div>\n\n <p>\n Generuj obrazy i wideo z tekstu\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/voice-changer/" icon=\"file:assets/icons/voice-changer.svg\">\n <div>\n <div>\n <div>\n Voice Changer\n </div>\n\n <p>\n Modyfikuj i zmieniaj głosy\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/voice-isolator/" icon=\"file:assets/icons/voice-isolator.svg\">\n <div>\n <div>\n <div>\n Voice Isolator\n </div>\n\n <p>\n Oddzielaj głosy od szumu tła\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/dubbing/" icon=\"file:assets/icons/dubbing.svg\">\n <div>\n <div>\n <div>\n Dubbing\n </div>\n\n <p>\n Twórz płynny dubbing audio i wideo\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/sound-effects/" icon=\"file:assets/icons/sfx.svg\">\n <div>\n <div>\n <div>\n Efekty dźwiękowe\n </div>\n\n <p>\n Twórz kinowe efekty dźwiękowe\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/voices/" icon=\"file:assets/icons/voices.svg\">\n <div>\n <div>\n <div>\n Głosy\n </div>\n\n <p>\n Klonuj i projektuj własne głosy\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/voice-remixing/" icon=\"file:assets/icons/remix-voice.svg\">\n <div>\n <div>\n <div>\n Voice Remixing\n </div>\n\n <p>\n Przekształcaj i ulepszaj istniejące głosy\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/forced-alignment/" icon=\"file:assets/icons/forced-alignment.svg\">\n <div>\n <div>\n <div>\n Wymuszone dopasowanie\n </div>\n\n <p>\n Dopasowuj tekst do audio\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/speech-engine/" icon=\"file:assets/icons/speech-engine.svg\">\n <div>\n <div>\n <div>\n Speech Engine\n </div>\n\n <p>\n Dodaj głos do wszystkiego\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/eleven-agents/overview/" icon=\"file:assets/icons/agents-platform.svg\">\n <div>\n <div>\n <div>\n ElevenAgents\n </div>\n\n <p>\n Wdrażaj inteligentnych agentów głosowych\n </p>\n </div>\n </div>\n </Card>\n\n <Card href=https://elevenlabs.io/"/docs/pl/overview/capabilities/private-deployment/" icon=\"duotone server\">\n <div>\n <div>\n <div>\n Wdrożenia prywatne\n </div>\n\n <p>\n Uruchom ElevenLabs we własnej chmurze\n </p>\n </div>\n </div>\n </Card>\n</CardGroup>\n"],"perViewerCopy":[0,true],"askAiEnabled":[0,false],"skillsConfig":[0],"availability":[0],"pageActions":[0,{"options":[0,{"copyPage":[0,true],"viewAsMarkdown":[0,true],"askAi":[0,true],"openAi":[0,true],"claude":[0,true],"cursor":[0,true],"claudeCode":[0,true],"vscode":[0,false],"custom":[1,[[0,{"title":[0,"LLMs full"],"subtitle":[0,"See the entire documentation site as markdown for LLMs"],"url":[0,"https://elevenlabs.io/docs/llms-full.txt"],"icon":[0,"fa-solid fa-file-code"]}]]]}]}],"pageActionsStyle":[0,"default"],"pageActionFiles":[0],"showRssFeedButton":[0,false],"showPageActions":[0,true]}" ssr client="deferred" opts="{"name":"PageHeaderIsland","value":true}" await-children>

Dokumentacja ElevenLabs

Poznaj dokumentację i przewodniki po integracji z ElevenLabs

Zacznij z pomocą agenta kodującego. Nie potrzebujesz wcześniej konta ani klucza API.

Wklej to do Claude Code, Cursor lub Codex. Narzędzie zaloguje cię lub utworzy konto, utworzy klucz i doda SDK do projektu.

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

Zobacz, jak to działa, albo przeczytaj kod źródłowy polecenia onboard, aby sprawdzić, co dokładnie przekazuje twojemu agentowi.

Jak działa ElevenLabs?

ElevenLabs zapewnia infrastrukturę głosową AI: zamianę tekstu na mowę, zamianę mowy na tekst, klonowanie głosu, agentów głosowych i generatywne audio. Możesz korzystać z niej na cztery sposoby, dla różnych odbiorców.

ElevenCreative to aplikacja webowa no-code, w której twórcy, producenci i montażyści generują nałożone głosy, muzykę, dubbing i projekty studyjne bezpośrednio w przeglądarce.

ElevenAgents to platforma do projektowania i obsługi agentów głosowych, z wizualnym kreatorem dla osób nietechnicznych oraz pełną kontrolą programistyczną dla deweloperów.

ElevenAPI udostępnia każdą funkcję przez interfejs REST z oficjalnymi SDK dla Pythona i TypeScript, dzięki czemu deweloperzy mogą osadzać głos we własnych aplikacjach i workflow.

Reception.ai to gotowa do wdrożenia telefoniczna recepcjonistka AI dla małych i średnich firm, która odbiera połączenia, umawia wizyty i zarządza codziennymi zadaniami z jednego panelu.

Wybierz ścieżkę

ElevenCreative

Dowiedz się, jak korzystać z ElevenCreative dzięki przewodnikom krok po kroku

ElevenAgents

Dowiedz się, jak tworzyć, uruchamiać i skalować agentów z ElevenLabs

ElevenAPI

Dowiedz się, jak integrować API ElevenLabs na przykładach i w samouczkach

Podstawowe pojęcia

Głosy to persony mowy używane do generowania audio. Każdy głos ma unikalny identyfikator — na przykład JBFqnCBsd6RMkjVDRZzb — który wybierasz w panelu lub przekazujesz w żądaniach API. ElevenLabs udostępnia bibliotekę ponad 10 000 głosów. Możesz też sklonować głos z nagrania audio lub wygenerować go na podstawie opisu tekstowego.

Modele określają jakość, opóźnienie i obsługiwane języki generowanego audio. eleven_v4 tworzy najbardziej ekspresyjne wyniki w ponad 90 językach. eleven_v4_turbo jest przeznaczony do użycia w czasie rzeczywistym, ze średnim opóźnieniem inferencji około 100 ms. Każda funkcja — zamiana mowy na tekst, muzyka, efekty dźwiękowe — ma własny dedykowany model. Zobacz Którego modelu użyć?, aby wybrać odpowiedni.

Jak działa rozliczanie?

Kredyty to wspólna dla wszystkich produktów jednostka zużycia. Zamiana tekstu na mowę kosztuje jeden kredyt za znak tekstu wejściowego. Inne operacje są rozliczane za sekundę przetworzonego audio. Kredyty odnawiają się co miesiąc, a niewykorzystane przechodzą na maksymalnie dwa miesiące. Pełny cennik znajdziesz na stronie cen.

Jeśli chcesz korzystać z API bez miesięcznej subskrypcji, Pay As You Go pozwala opłacić z góry saldo, które jest pobierane podczas korzystania z ElevenLabs — po wykorzystaniu kredytów subskrypcyjnych.

Gotowe do produkcji

Jak szybka jest zamiana tekstu na mowę ElevenLabs?

Eleven Flash v2.5 generuje audio z opóźnieniem inferencji modelu około 75 ms, a Eleven v4 Turbo ze średnim opóźnieniem około 100 ms. Scribe v2 Realtime zwraca częściowe transkrypcje w około 150 ms. Te wartości nie obejmują opóźnień aplikacji i sieci, więc czas, po którym użytkownicy usłyszą audio, będzie dłuższy. Informacje o opóźnieniach wyjaśniają, co obejmują te wartości, a Optymalizacja opóźnień pokazuje, jak skrócić opóźnienie end-to-end.

Jak ElevenLabs radzi sobie ze skalą?

Twój plan określa, ile żądań może być przetwarzanych jednocześnie. Limit współbieżności nie jest limitem równoczesnych rozmów: orientacyjnie limit 5 zwykle obsługuje około 100 jednoczesnych transmisji audio, zależnie od używanych głosów i zastosowania. Plany Enterprise mają wyższe limity. Limity dla poszczególnych planów i wskazówki dotyczące testów obciążeniowych znajdziesz w artykule Współbieżność i priorytet.

Kontrole Enterprise

Wdrożenia prywatne uruchamiają ElevenAgents, Text to Speech i Speech to Text na twoim własnym koncie chmurowym, więc tekst, audio i transkrypcje pozostają w twojej sieci.
Rezydencja danych przechowuje dane w odizolowanych środowiskach w UE, Indiach lub Singapurze zamiast w domyślnej lokalizacji w USA. To funkcja Enterprise.
Obszary robocze centralizują rozliczenia, wspólne zasoby, dostęp zespołu i zarządzanie kluczami API. Obszary robocze Enterprise dodają SSO przez SAML 2.0 lub OIDC oraz dzienniki audytu działań administracyjnych w schemacie OCSF.

Wygeneruj pierwsze audio

Zainstaluj SDK, ustaw klucz API jako zmienną środowiskową i przekonwertuj tekst do pliku MP3 jednym żądaniem. Jeśli wolisz, by konfigurację wykonał twój agent kodujący, zobacz Konfiguracja z agentem kodującym.

Zainstaluj SDK

pip install elevenlabs python-dotenv

Ustaw klucz API

Utwórz klucz API i dodaj go do pliku .env w katalogu projektu:

.env

ELEVENLABS_API_KEY=<your_api_key_here>

Wygeneruj i zapisz audio

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)

Uruchom skrypt poleceniem python example.py lub npx tsx example.mts, a następnie otwórz output.mp3. Aby zrobić to samo w terminalu, użyj CLI ElevenLabs:

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

Przewodnik startowy ElevenAPI szczegółowo omawia to samo żądanie, w tym konfigurację CLI i odtwarzanie audio przez głośniki.

Co mogę stworzyć z ElevenAgents?

ElevenAgents łączy rozpoznawanie mowy, wybrany przez ciebie LLM, zamianę tekstu na mowę i obsługę zmian tur w jednego agenta głosowego, którego konfigurujesz w panelu lub przez SDK.

Obsługa klienta: odpowiadaj na pytania na podstawie własnej dokumentacji, dołączając do agenta bazę wiedzy.
Linie telefoniczne: połącz numer Twilio przez natywną integrację, aby obsługiwać połączenia przychodzące i wychodzące, lub podłącz obecny system telefoniczny przez trunking SIP.
Kampanie wychodzące: wykonuj wiele połączeń wychodzących naraz dzięki połączeniom wsadowym.
Strony i aplikacje: osadź agenta obsługującego głos i tekst za pomocą widżetu.

Przewodnik startowy ElevenAgents pokazuje, jak stworzyć pierwszego agenta end-to-end.

Którego modelu użyć?

Zacznij od swojego zastosowania. Każdy identyfikator modelu poniżej to wartość przekazywana jako model_id w żądaniach API.

Zastosowanie	Zalecany model	ID modelu	Dlaczego
Agenci głosowi w czasie rzeczywistym	Eleven v4 Turbo	`eleven_v4_turbo`	Średnie opóźnienie inferencji około 100 ms† i najbardziej ekspresyjna komunikacja w czasie rzeczywistym. Aby uzyskać najniższe opóźnienie, użyj `eleven_flash_v2_5` (~75 ms†).
Ekspresyjna lub długa narracja	Eleven v4	`eleven_v4`	Najbardziej ekspresyjny model, odpowiedni do audiobooków i głosów postaci. Do 10 000 znaków (~10 minut audio) na żądanie. Najstabilniejsze wyniki dla długich form zapewnia `eleven_multilingual_v2`.
Treści wielojęzyczne	Eleven v4	`eleven_v4`	Ponad 90 języków ze stałą jakością głosu przy zmianie języka. `eleven_v4_turbo` obsługuje te same języki w czasie rzeczywistym.
Najniższy koszt	Eleven Flash v2.5	`eleven_flash_v2_5`	Cena za znak dla generowania przez API niższa o 50%, 32 języki i do 40 000 znaków na żądanie.
Zamiana mowy na tekst, wsadowo	Scribe v2	`scribe_v2`	Transkrypcja w ponad 90 językach ze znacznikami czasu na poziomie słów, diarizacją do 32 mówców i podpowiedziami słów kluczowych. Do audio klinicznego użyj `scribe_v2_medical`.
Zamiana mowy na tekst, w czasie rzeczywistym	Scribe v2 Realtime	`scribe_v2_realtime`	Przesyła transkrypcje ze opóźnieniem około 150 ms† w ponad 90 językach.