ElevenLabs 與 Cartesia:即時 TTS 的介面、中斷處理與字元預算怎麼選

已有 ElevenLabs 聲音資產的團隊應確認 v4 Turbo 的 TTD 串接方式;從零打造即時語音應用,可先評估 Cartesia 的 context 管理。用同一組文字驗收中斷與播放,再依字元數和尖峰並行請求數計算預算。

來源: elevenlabs.io
November 4, 2026
1 min

客服助理一邊產生答案、一邊唸給使用者聽,最難處理的往往是使用者突然插話:舊答案必須停下來,新答案還要接得自然。ElevenLabs 與 Cartesia 都能負責文字轉語音(TTS)這一層。已有 ElevenLabs 聲音資產、希望使用 v4 Turbo 的團隊,應先確認串接 Text to Dialogue 協定的成本;從零打造單一聲線即時應用、希望透過 context 管理生成與取消的團隊,可以先評估 Cartesia。選擇依據應是實際聲音、介面與帳單,而不是官網上最小的延遲數字。

先看文字是否已經寫完

以回答訂單問題的語音助理為例:大型語言模型逐段傳回文字,TTS 輸出音訊,播放器負責播放。這裡比較的是同一條即時語音流程中的合成介面,不包含電話、語音辨識、大型語言模型或完整的 Agents 平台。如果答案已經完整產生,HTTP 音訊串流就值得先評估;需要持續追加文字時,才重點比較 WebSocket 的輸入緩衝與結束訊號。音訊能以串流傳回,不等於文字也能持續追加。

ElevenLabs 的協定對照明確區分兩條路徑:/v1/text-to-speech/{voice_id}/stream-input 用於 Flash 等受支援的 TTS 模型;v4 與 v4 Turbo 則使用 /v1/text-to-dialogue/stream-input。後者先註冊聲音,再傳送含 text 與 voice_id 的 inputs。因此,只把舊 Flash 整合的模型名稱改成 eleven_v4_turbo 並不夠。v4 Turbo 只允許註冊一個聲音,也不能因為介面叫 Dialogue,就按照多角色對話來設計。

Cartesia 目前的模型說明列出 Sonic 3.6;其 WebSocket使用 transcript、context_id 與輸出格式等欄位,傳回帶有 context 的音訊區塊。需要先驗收再升級的團隊可使用日期快照,例如 sonic-3.6-2026-08-27;sonic-3.6 會隨最新穩定快照更新。固定模型版本,才能判斷一次聲音變化究竟來自新腳本還是模型升級。

句子還沒結束,什麼時候開始說

ElevenLabs 的 TTS 路徑提供分塊長度排程;TTD 路徑有伺服器端緩衝,可用 flush 觸發輸出。Cartesia 的手動 flush可在同一個 context 內劃分文字與音訊的對應邊界,相關音訊帶有 flush_id;文件提供的請求組合包含空 transcript、相同 context、continue=True 與 flush=True。這些標記的語意不同,不宜只替換 SDK 名稱就遷移。

例如,訂單編號還沒產生完整就強制輸出,可能把一串編號拆得難以聽懂;等待整段回答,又會讓使用者覺得沉默太久。應使用完整短句、長編號和中途改口三組相同文字,記錄文字首次可用、第一個音訊區塊抵達、真正開始播放三個時間點,並比較中位數與較慢的請求。本文沒有在相同網路和聲音條件下進行測試,因此不判定哪一家的實際回應較快。廠商的模型延遲也不能直接當成使用者聽到聲音的總等待時間。

使用者插話時,Cartesia 提供帶有 context_id 的 cancel 請求;ElevenLabs 的 TTS 多 context 指南則以關閉舊 context、建立新 context 的方式處理中斷。採用 v4 Turbo 時應確認對應的 TTD 變體,不能直接照搬 Flash 範例。兩種實作都還需要應用程式停止傳送舊文字、清空本機待播音訊,並捨棄晚到的舊 context 資料。取消伺服器端生成,不會自動撤回已排入播放器的音訊。

依字元數編預算,再檢查尖峰並行請求數

先假設每月有 1,000 次回答、每次提交 500 個計費字元,共 500,000 字元,暫不計重試和被中斷後重新生成。ElevenLabs API 價目列出 v4 Turbo 每千字元 0.04 美元,v4 為 0.08 美元;依此估算的用量費用分別是 20 美元和 40 美元。這是按公開單價換算,不代表包含所有帳戶條件的最終帳單。

Cartesia 定價頁規定 Sonic 每字元 1 credit。Pro 每月 5 美元含 100,000 credits,啟用超額使用後,每百萬額外 credits 收取 65 美元;在同一假設下,5 + 0.4 × 65 = 31 美元。Startup 每月 49 美元含 125 萬 credits,但不能只因額度較多就升級:Pro 的 TTS 並行請求數為 3,Startup 為 5,尖峰需求可能先決定方案。這組算例不評估整體性價比,也沒有把 Agents 餘額算成 TTS 額度。

實際預算應加入重試、改稿與被中斷後再次提交的文字,並透過帳單確認取消請求如何計費。若同時使用辨識或電話服務,須另行計入。每分鐘的文字密度會隨語言、語速與停頓改變,不能把兩家的「約多少分鐘」當成同一工作量;額度夠用,也不代表尖峰時的生成請求不會排隊或失敗。

選定的聲音,要先確認能用於這項業務

ElevenLabs 的商用說明將商業使用權與付費方案及輸入內容的權利連結;其聲音管理說明要求複製聲音須取得許可,Professional Voice Cloning 針對使用者自己的聲音。Cartesia 的 Pro 方案列有商業使用授權,其可接受使用政策要求只提交自己的錄音,或已取得明確同意的他人錄音。購買方案不能取代說話者的授權;公司持有一份員工錄音,也不應據此推定可以把聲音長期用於客服。

最後,應讓兩家唸同一組已獲授權的業務文字,再比較目標語言中的編號讀法、句子銜接和插話後的停止播放效果。已有合適的 ElevenLabs 聲音、願意適配 TTD 協定,就先試 v4 Turbo;更重視明確的 context 取消、模型快照和小規模字元預算,就先試 Cartesia。若團隊還沒有負責播放佇列、中斷處理和計費監控的人,換一家 TTS 供應商也無法解決這些工作。

內容說明:本文基於公開資料整理,僅供工具選型參考。產品功能、價格及相關政策可能隨時調整,請以官方最新資訊為準。

原文出處:elevenlabs.io