AI Radar — 每天的 AI 热点、模型与教程

ElevenLabs 现已登陆 OpenRouter，带来九个文本转语音模型和两个语音转文本模型。

如果你的应用已经通过 OpenRouter 与语言模型对话，现在它也能说和听了。用 Eleven v4 旁白长篇内容，并掌控语气和表达方式；用 v4 Turbo 为你的智能体提供更快的语音回复；或用 Scribe v2 转录带说话人标签的对话。你不需要单独的 ElevenLabs 套餐。只需调用POST /api/v1/audio/speech和POST /api/v1/audio/transcriptions并使用你的 OpenRouter API 密钥。

即日起至 10 月 19 日上午 8 点（太平洋时间），所有 OpenRouter 客户均可享受每个 ElevenLabs 模型 50% 的 OpenRouter 标价折扣

该用哪个模型

先从三个模型入手，当任务需要时再使用其余的：

旁白、角色、产品视频：Eleven v4。音频标签让脚本自带表演。
语音智能体和实时回复：Eleven v4 Turbo，ElevenLabs 专为实时使用打造，费率是 v4 的一半。
转录、会议记录、字幕：Scribe v2，带说话人标签和词级时间戳。

当长篇音频需要速度控制时使用 Multilingual v2，处理每次请求最多 40,000 字符的高并发语音时使用 Flash v2.5。Scribe v2 Medical 针对医学术语进行了微调。

文本转语音

模型	OpenRouter ID	每次请求最大字符数	选择它的理由
Eleven v4	`elevenlabs/eleven-v4`	10,000	ElevenLab 质量最高、最具表现力的语音。富有表现力的旁白和角色演绎，支持 [whispering] 和 [laughing] 等音频标签
Eleven v4 Turbo	`elevenlabs/eleven-v4-turbo`	10,000	面向语音智能体的低延迟回复
Eleven v3	`elevenlabs/eleven-v3`	5,000	富有表现力/戏剧性的旁白和角色演绎，支持音频标签
Eleven v3 Conversational	`elevenlabs/eleven-v3-conversational`	5,000	一来一回的对话，费率是 v3 的一半。具有戏剧性表现范围，为实时对话调优。
Eleven Multilingual v2	`elevenlabs/eleven-multilingual-v2`	10,000	跨多种语言的稳定长篇音频，支持速度控制。
Eleven Flash v2.5	`elevenlabs/eleven-flash-v2.5`	40,000	快速、低成本的多语言高并发语音。支持 32 种语言。
Eleven Flash v2	`elevenlabs/eleven-flash-v2`	30,000	快速的纯英语语音
Eleven Turbo v2.5	`elevenlabs/eleven-turbo-v2.5`	40,000	ElevenLab 的第一代低延迟模型，现已被 Flash 取代
Eleven Turbo v2	`elevenlabs/eleven-turbo-v2`	30,000	ElevenLab 的第一代低延迟模型，现已被 Flash 取代

ElevenLabs 将其模型定价分为两档。Eleven v4、v3 和 Multilingual v2 按完整的每字符费率计费，而 v4 Turbo、v3 Conversational、Flash 和 Turbo 按半价计费。当前的每字符价格位于每个模型页面中的Text to Speech 集合。

Speech to Text

模型	OpenRouter ID	选择它用于
Scribe v2	`elevenlabs/scribe-v2`	通用转录，支持词级时间戳、说话人标签和音频事件标签，覆盖 90 多种语言
Scribe v2 Medical	`elevenlabs/scribe-v2-medical`	医学术语，在临床音频上相比 Scribe v2 错误减少 35%

两个 Scribe 模型使用相同的请求结构和相同的每秒价格。通过 WebSocket 的 Realtime Scribe v2 不在此次发布范围内。

演练：从第一个 MP3 到语音智能体

我们将分三步构建一个小型产品导览。首先由 Eleven v4 进行旁白。然后一个语音智能体回答关于它的问题，最后 Scribe v2 将团队的评审会议转化为显示谁说了什么的笔记。如果某个请求的行为不符合你的预期，请查看末尾的提示。

一次性设置你的密钥：

exportOPENROUTER_API_KEY="your-api-key"

步骤 1：用 Eleven v4 为产品导览配旁白

从一行旁白开始：

curlhttps://openrouter.ai/api/v1/audio/speech\
--fail-with-body\
-H"Authorization: Bearer$OPENROUTER_API_KEY"\
-H"Content-Type: application/json"\
-d'{
"model": "elevenlabs/eleven-v4",
"input": "[cheerfully] Welcome to the tour. [whispering] Let me show you the shortcut first.",
"voice": "george",
"response_format": "mp3"
}'\
--outputintro.mp3

voice可按名称使用 ElevenLabs 的 21 个预制语音中的任意一个（george此处）；名称不区分大小写。注意显式的response_format——参见首次请求的提示两者都适用。

方括号中的词是音频标签。Eleven v4 和 v3 会将诸如[whispering]、[laughing]、[sighs]和[curious]等标签作为表达指示来朗读，而不是直接读出。标签会计入你的计费字符数。

完整的导览脚本比单次请求允许的长度更长（v4 为 10,000 字符，v3 为 5,000 字符），因此请按段落边界拆分。仅限 ElevenLabs 的设置放在provider.options.elevenlabs下。将相邻文本作为previous_text和next_text传入，以便在衔接处保持语调一致，并固定一个seed，使重新运行更具可重复性：

importos

importrequests

API="https://openrouter.ai/api/v1"
HEADERS={"Authorization":f"Bearer{os.environ['OPENROUTER_API_KEY']}"}
NARRATOR="george"


defsplit_paragraphs(text:str, limit:int=9000) -> list[str]:
chunks, current=[],""
forparaintext.split("\n\n"):
ifcurrentandlen(current)+len(para)+2>limit:
chunks.append(current)
current=para
else:
current=f"{current}\n\n{para}"ifcurrentelsepara
returnchunks+[current]ifcurrentelsechunks


chunks=split_paragraphs(open("tour-script.txt").read())

withopen("tour.mp3","wb")asout:
fori, chunkinenumerate(chunks):
options={"seed":7}
ifi>0:
options["previous_text"]=chunks[i-1][-500:]
ifi+1<len(chunks):
options["next_text"]=chunks[i+1][:500]
r=requests.post(
f"{API}/audio/speech",
headers=HEADERS,
json={
"model":"elevenlabs/eleven-v4",
"input": chunk,
"voice":NARRATOR,
"response_format":"mp3",
"provider": {"options": {"elevenlabs": options}},
},
)
r.raise_for_status()
out.write(r.content)

第 2 步：用语音智能体回答问题

现在让用户大声向导览提问。一个语音智能体串联三个模型：用 Scribe v2 处理问题，用聊天模型生成答案，用 Eleven v4 Turbo 生成回复。ElevenLabs 专为实时使用打造了 v4 Turbo，其计费价格是 v4 的一半。

importbase64


deftranscribe(path:str) ->str:
withopen(path,"rb")asf:
audio_b64=base64.b64encode(f.read()).decode()
r=requests.post(
f"{API}/audio/transcriptions",
headers=HEADERS,
json={
"model":"elevenlabs/scribe-v2",
"input_audio": {"data": audio_b64,"format":"wav"},
},
)
r.raise_for_status()
returnr.json()["text"]


defanswer(question:str) ->str:
r=requests.post(
f"{API}/chat/completions",
headers=HEADERS,
json={
"model":"openai/gpt-5-mini",
"messages": [
{"role":"system","content":"You are the product tour guide. Answer in one or two sentences."},
{"role":"user","content": question},
],
},
)
r.raise_for_status()
returnr.json()["choices"][0]["message"]["content"]


defspeak(text:str, out_path:str) ->None:
r=requests.post(
f"{API}/audio/speech",
headers=HEADERS,
json={
"model":"elevenlabs/eleven-v4-turbo",
"input": text,
"voice":NARRATOR,
"response_format":"mp3",
},
)
r.raise_for_status()
withopen(out_path,"wb")asf:
f.write(r.content)


speak(answer(transcribe("question.wav")),"reply.mp3")

转录响应是 JSON，其中转录文本位于text以及一个usage对象，用于报告音频秒数和该请求的美元cost。将openai/gpt-5-mini替换为目录中的任意聊天模型不触碰音频调用，并保持相同的voice这样智能体的声音就像第 1 步中的旁白。

第 3 步：将评审会议转化为带说话人标记的笔记

当你的团队开会评审导览时，Scribe v2 可以告诉你谁说了什么。以 multipart 形式上传录音，请求verbose_json带词级时间戳，并设置diarize在provider.options.elevenlabs下。响应中的每个词都带有说话人。如果你知道会议中有多少人，传入num_speakers以改进分离效果。

curlhttps://openrouter.ai/api/v1/audio/transcriptions\
--fail-with-body\
-H"Authorization: Bearer$OPENROUTER_API_KEY"\
-Ffile="@tour-review.mp3"\
-Fmodel="elevenlabs/scribe-v2"\
-Fresponse_format="verbose_json"\
-F"timestamp_granularities[]=word"\
-Fprovider='{"options": {"elevenlabs": {"diarize": true, "num_speakers": 3, "tag_audio_events": true}}}'

中的每个条目都有words具有word，start，end，confidence，speaker（一个整数），以及speaker_label（speaker_0，speaker_1，等等）。tag_audio_events会添加诸如(laughter)之类的条目，与词并列。按speaker对连续词进行分组以获得发言轮次，然后将这些轮次发送给聊天模型以生成摘要和行动项：

defto_turns(words: list[dict]) -> list[str]:
turns: list[tuple[int, list[str]]]=[]
forwinwords:
ifturnsandturns[-1][0]==w.get("speaker"):
turns[-1][1].append(w["word"])
else:
turns.append((w.get("speaker"), [w["word"]]))
return[f"Speaker{s}:{' '.join(ws)}"fors, wsinturns]

上传上限为 25 MB，大约相当于 27 分钟的 128 kbps MP3。

对于更长的录音，传入一个公开 URL，ElevenLabs 会直接下载该文件，因此 25 MB 的上限不适用：

"input_audio":{"url":"https://example.com/tour-review.mp3"}

非常长的文件仍可能触及 180 秒的上游请求超时，因此请拆分运行时间较长的录音。

首次请求的小贴士

按名称或 ID 选择声音。对于voice，按名称传入 ElevenLabs 的 21 个预制声音中的任意一个：george，sarah，adam，alice，bella，brian，charlie，daniel，jessica，roger，will等等（完整列表见各模型页面）。voice名称不区分大小写。要使用任何其他声音，请将其 ElevenLabs 声音 ID 作为传入——从ElevenLabs 声音库复制。你克隆或设计的声音存在于你自己的 ElevenLabs 账户中，因此请通过BYOK
使用它们。mp3当你想要一个可播放的文件时，请求如果你省略response_format，我们的语音端点会返回原始 PCM（24 kHz 的 16 位小端单声道）。这适合音频流水线，但大多数播放器无法打开它。设置"response_format": "mp3"以获得一个可播放的 44.1 kHz、128 kbps 文件。
使用 Multilingual v2 或 Flash 进行语速控制Multilingual v2 和 Flash 接受speed从 0.7 到 1.2。Eleven v4 和 v4 Turbo 没有语速控制，并会拒绝非默认的speed，所以在这些模型上省略它，改用音频标签来调整节奏。
拆分长脚本每个模型都有单次请求的字符上限（见模型表）。音频标签会计入该上限，也会计入你的计费字符数。像第 1 步那样按段落边界拆分，并传入previous_text和next_text，让衔接听起来自然。
ElevenLabs 专属设置放在provider.options.elevenlabsText to Speech 接受seed，previous_text，next_text，language_code，apply_text_normalization，apply_language_text_normalization，pronunciation_dictionary_locators，voice_settings（stability，similarity_boost，style，use_speaker_boost，speed），以及output_format（一个 ElevenLabs 格式名称，例如mp3_22050_32或pcm_16000；它必须与你的response_format编解码器匹配）。Speech to Text 接受diarize，num_speakers，diarization_threshold，tag_audio_events，no_verbatim，以及seed。num_speakers和diarization_threshold需要diarize: true，并且你只能设置其中之一，不能同时设置。请严格按所列字段名使用。不在此列表中的键会被忽略；列表中的键若值无效会返回 400。
Scribe 返回三字母语言代码你可以发送一个两字母的language提示（en）。检测到的语言会以 ISO 639-3 代码返回（eng）。

快速开始

创建一个OpenRouter API key。
用上面第 1 步中的 curl 示例发出你的第一个请求。
关于每个参数，请参阅Text to Speech和Speech to Text指南。

Text to Speech 按输入字符计费，按 Unicode 码点计数，因此一个 emoji 或一个 CJK 字符计为一次。音频标签也计为字符。Scribe 按音频秒数计费，每个转录响应上的 usage.cost 字段会告诉你该请求的费用。我们按 ElevenLabs 定价原价传递，不加价；当前费率见各模型页面。

已经有 ElevenLabs 账户？

用BYOK添加你的密钥，以使用你自己克隆的声音、发音词典，以及更高质量的格式，例如 mp3_44100_192。

创建一个OpenRouter API key，或先在Playground中试用某个模型。Text to Speech和Speech to Text指南包含完整的请求参考。

ElevenLabs 上线 OpenRouter，11 个语音模型限时五折