¿Qué es ElevenLabs Dialogue?
ElevenLabs Dialogue es un endpoint de audio con varios hablantes que recibe un array de turnos {text, voice} y devuelve un solo archivo de audio con toda la conversación. En una sola llamada pueden aparecer hasta 10 voces distintas de ElevenLabs, cada turno puede usar cualquier ID de voz de tu cuenta (predefinidas o clonadas), y el modelo se encarga de las transiciones entre turnos para que el resultado suene como un intercambio real y no como llamadas de TTS pegadas. El endpoint siempre usa el modelo eleven_v3 por debajo, así que no hay selector de modelo que gestionar. Controlas el idioma con language_code (por defecto en) y la estabilidad con stability (de 0 a 1). Las etiquetas de emoción en línea como [excitedly] o [whispered] al inicio de un turno dan forma a la interpretación sin parámetros adicionales.
Funciones clave de ElevenLabs Dialogue
Cinco funciones cubren lo que vas a configurar en un trabajo típico.
Hasta 10 hablantes en una llamada
Cada entrada del array dialogue indica un ID de voice y un fragmento de text. Mezcla voces predefinidas, clonadas y personalizadas libremente en la misma conversación. El modelo devuelve un solo archivo de audio combinado en lugar de renders separados por turno.
Transición nativa entre turnos
El ritmo, la respiración y el sonido ambiente se mantienen al cambiar de hablante. Esa es la diferencia frente a unir llamadas de TTS independientes, en las que cada turno vuelve con su propia firma ambiental y las uniones suenan como cortes.
Etiquetas de emoción en línea
Etiquetas entre corchetes al inicio de un turno, como [excitedly], [warmly], [whispered] o [shouted], orientan la interpretación de esa línea. Sin campos adicionales ni un guion paralelo con notas de dirección.
Calidad V3 sin selector de modelo
El endpoint siempre usa eleven_v3, el modelo más expresivo de ElevenLabs. No hay model_id que elegir, ni ruta alternativa, ni variaciones de calidad entre turnos a lo largo de una conversación larga.
Idioma y estabilidad por conversación
language_code tiene en por defecto y acepta códigos ISO para otros idiomas. stability (de 0 a 1) controla la estabilidad de la voz entre turnos, así que puedes subir el drama para ficción o bajarlo para narración en el mismo payload.
Para qué sirve ElevenLabs Dialogue
Podcasts con guion
Presentadores que se alternan con timbres distintos en una sola llamada a la API. Las etiquetas de emoción en línea marcan los cambios de tono sin notas de dirección aparte.
Escenas de audiolibros
Varias voces de reparto para los pasajes de diálogo mientras el narrador se mantiene en otra voz de ElevenLabs. Añade voces clonadas para narradores con voz de marca.
Simuladores de formación
Diálogos de role-play con un reparto fijo por personaje. Hasta 10 voces cubren un guion de escenario típico (cliente, agente, supervisor, observador).
Frases y escenas cortas de NPCs en videojuegos
Diálogos breves por turnos entre NPCs en un solo render. Combínalo con un
stabilityfijo para que el reparto mantenga el mismo tono entre parches.Recorridos de producto
Un explicativo conversacional con dos presentadores en lugar de una locución con un solo narrador. Suena más a podcast que a tutorial.
Diálogos para aprender idiomas
Estabilidad por conversación para ganar claridad en ejercicios de comprensión auditiva. Cambia
language_codeen cada escena para entregar el contenido en el idioma que se estudia.
Casos de uso de ElevenLabs Dialogue
Genera la intro de un podcast escribiendo un diálogo de 4 turnos entre dos presentadores y añadiendo las etiquetas [warmly] y [excitedly] en las líneas que las necesiten. Crea un escenario de formación en cumplimiento normativo con tres hablantes (empleado, cliente, gerente) y vuelve a renderizarlo con distintos valores de stability para hacer una prueba A/B de qué tan estable debe sonar el reparto. Añade un sistema de diálogos dentro del juego que agrupe los intercambios entre NPCs en llamadas únicas a Dialogue para que el sonido ambiente coincida en toda la escena. Localiza un explicativo conversacional cambiando language_code y los IDs de voice de cada turno mientras mantienes la misma estructura del guion.
Ejemplos de la API de ElevenLabs Dialogue
Llama a ElevenLabs Dialogue desde cualquier lenguaje con un POST a /v1/tasks. La documentación completa de parámetros está en docs.unifically.com/models/audio/elevenlabs/text-to-dialogue.
curl -X POST https://api.unifically.com/v1/tasks \
-H "Content-Type: application/json" \
-H "Authorization: Bearer YOUR_API_KEY" \
-d '{
"model": "elevenlabs/text-to-dialogue",
"input": {
"stability": 0.5,
"language_code": "en",
"dialogue": [
{
"text": "[excitedly] Hey Jessica! Have you tried the new ElevenLabs V3?",
"voice": "TX3LPaxmHKxFdv7VOQHJ"
},
{
"text": "[curiously] Yeah, just got it! The emotion is so amazing.",
"voice": "cgSgspJ2msm6clMCkdW9"
}
]
}
}'
Si el envío se acepta, la respuesta incluye un task_id. Consulta GET /v1/tasks/<task_id> o define un callback_url en la petición para recibir la URL del audio terminado.
Preguntas frecuentes
Preguntas frecuentes sobre ElevenLabs Dialogue
ElevenLabs Dialogue es un endpoint de audio con varios hablantes que recibe un array de turnos {text, voice} y devuelve un solo archivo de audio con toda la conversación. Cada turno indica un ID de voz de ElevenLabs, y el modelo se encarga de las transiciones entre ellos para que el resultado suene como una conversación real y no como llamadas de TTS pegadas.
Completa como mínimo el Hablante 1 y el Hablante 2. Los hablantes opcionales del 3 al 10 aparecen cuando activas sus interruptores, cada uno con sus propios campos de voz y texto. El contenido se convierte en el array dialogue de la llamada a la API.
No. Dialogue siempre usa el modelo eleven_v3 por debajo, así que no hay model_id que configurar. Controlas el idioma con language_code (por defecto en) y el timbre con el campo stability.
Usa Dialogue cuando importen el ritmo de la conversación y el paso de una voz a otra. Unir renders de TTS separados deja cortes planos entre turnos y un sonido ambiente inconsistente. Dialogue resuelve las transiciones de forma nativa, con respiraciones y tiempos audibles entre hablantes.
Etiquetas en línea entre corchetes al inicio de un turno, como [excitedly], [curiously], [warmly], [sadly], [angrily], [whispered] y [shouted]. Pon una delante del texto y el hablante dirá esa línea con ese tono.
Hasta 10 voces distintas en una llamada. Cada turno puede usar cualquier ID de voz de tu cuenta de ElevenLabs, así que las voces clonadas y las predefinidas se pueden mezclar libremente en la misma conversación.
stability acepta un valor de 0 a 1 (por defecto 0.5). Los valores bajos dan más rango emocional y variación. Los valores altos mantienen la voz más estable entre turnos. Usa valores bajos para drama y altos para una consistencia tipo narración.
