O que é o ElevenLabs Dialogue?
O ElevenLabs Dialogue é um endpoint de áudio com vários falantes que recebe um array de turnos {text, voice} e retorna um único arquivo de áudio com a conversa inteira. Até 10 vozes diferentes da ElevenLabs podem aparecer em uma única chamada, cada turno pode usar qualquer ID de voz da sua conta (predefinidas ou clonadas), e o modelo cuida das transições entre os turnos para que o resultado soe como uma conversa real, e não como chamadas de TTS emendadas. O endpoint sempre usa o modelo eleven_v3 por baixo, então não há seletor de modelo para gerenciar. Você controla o idioma com language_code (padrão en) e a estabilidade com stability (de 0 a 1). Tags de emoção como [excitedly] ou [whispered] no início de um turno moldam a interpretação sem nenhum parâmetro extra.
Principais recursos do ElevenLabs Dialogue
Cinco recursos cobrem o que você vai configurar em um trabalho típico.
Até 10 falantes em uma chamada
Cada item do array dialogue indica um ID de voice e um trecho de text. Misture vozes predefinidas, clonadas e personalizadas na mesma conversa. O modelo retorna um único arquivo de áudio em vez de renderizações separadas por turno.
Passagem de turno nativa
Ritmo, respiração e som ambiente se mantêm nas trocas de falante. Essa é a diferença em relação a emendar chamadas de TTS independentes, em que cada turno volta com sua própria assinatura ambiente e as junções soam como cortes.
Tags de emoção no texto
Tags entre colchetes no início de um turno, como [excitedly], [warmly], [whispered] ou [shouted], guiam a interpretação daquela fala. Sem campos extras, sem um roteiro paralelo para as notas de direção.
Qualidade V3 sem seletor de modelo
O endpoint sempre usa o eleven_v3, o modelo mais expressivo da ElevenLabs. Sem model_id para escolher, sem caminho de fallback, sem variação de qualidade entre turnos ao longo de uma conversa longa.
Idioma e estabilidade por conversa
O language_code usa en por padrão e aceita códigos ISO de outros idiomas. O stability (de 0 a 1) controla a estabilidade da voz entre os turnos, então você pode aumentar o drama para ficção ou reduzi-lo para narração no mesmo payload.
Para que serve o ElevenLabs Dialogue
Podcasts roteirizados
Apresentadores que se alternam, com timbres diferentes, em uma única chamada de API. As tags de emoção levam as mudanças de tom sem notas de direção separadas.
Cenas de audiolivro
Várias vozes do elenco nos trechos de diálogo, enquanto o narrador fica em outra voz da ElevenLabs. Use clones para vozes de narrador da sua marca.
Simuladores de treinamento
Falas de role-play com elenco fixo por personagem. Até 10 vozes atendem a um roteiro típico de cenário (cliente, atendente, supervisor, observador).
Falas curtas e cenas de NPCs em games
Diálogos curtos em turnos entre NPCs em uma única renderização. Combine com um
stabilityfixo para manter o tom do elenco consistente entre atualizações.Demonstrações de produto
Um explicativo em formato de conversa entre dois apresentadores, em vez de uma locução com um único narrador. Soa mais como podcast do que como tutorial.
Diálogos para ensino de idiomas
Estabilidade por conversa para dar clareza aos exercícios de escuta. Troque o
language_codea cada cena para entregar o conteúdo no idioma estudado.
Casos de uso do ElevenLabs Dialogue
Gere a abertura de um podcast escrevendo um diálogo de 4 turnos entre dois apresentadores e colocando as tags [warmly] e [excitedly] nas falas que precisam delas. Monte um cenário de treinamento de compliance com três falantes (funcionário, cliente, gerente) e renderize de novo com valores diferentes de stability para fazer um teste A/B de quão estável o elenco deve soar. Adicione um sistema de diálogo dentro do jogo que agrupa as conversas entre NPCs em chamadas únicas do Dialogue, para que o som ambiente combine em toda a cena. Localize um explicativo em formato de conversa trocando o language_code e os IDs de voice de cada turno, mantendo a estrutura do roteiro.
Exemplos da API do ElevenLabs Dialogue
Chame o ElevenLabs Dialogue a partir de qualquer linguagem com um POST para /v1/tasks. A documentação completa dos parâmetros está em 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"
}
]
}
}'
Um envio bem-sucedido retorna um task_id. Consulte GET /v1/tasks/<task_id> ou defina um callback_url na requisição para receber a URL do áudio pronto.
Perguntas frequentes
Perguntas frequentes sobre ElevenLabs Dialogue
O ElevenLabs Dialogue é um endpoint de áudio com vários falantes que recebe um array de turnos {text, voice} e retorna um único arquivo de áudio com a conversa inteira. Cada turno indica um ID de voz da ElevenLabs, e o modelo cuida das transições entre eles para que o resultado soe como uma conversa real, e não como chamadas de TTS emendadas.
Preencha pelo menos o Speaker 1 e o Speaker 2. Os falantes opcionais de 3 a 10 aparecem quando você ativa as respectivas opções, cada um com seus próprios campos de voz e texto. Esse conteúdo vira o array dialogue na chamada da API.
Não. O Dialogue sempre usa o modelo eleven_v3 por baixo, então não há model_id para definir. Você controla o idioma com language_code (padrão en) e o timbre com o campo stability.
Use o Dialogue quando o ritmo da conversa e a passagem entre vozes importam. Emendar renderizações de TTS separadas deixa as trocas de turno sem naturalidade e o som ambiente inconsistente. O Dialogue faz as transições de forma nativa, com respiração e timing audíveis entre os falantes.
Tags entre colchetes no início de um turno, como [excitedly], [curiously], [warmly], [sadly], [angrily], [whispered] e [shouted]. Coloque uma antes do texto e o falante diz a fala nesse tom.
Até 10 vozes diferentes em uma chamada. Cada turno pode usar qualquer ID de voz da sua conta ElevenLabs, então vozes clonadas e vozes predefinidas se misturam livremente na mesma conversa.
stability aceita um valor de 0 a 1 (padrão 0.5). Valores mais baixos dão mais alcance emocional e variação. Valores mais altos mantêm a voz mais estável entre os turnos. Use valores baixos para drama e altos para uma consistência no estilo de narração.
