ElevenLabs 与 Cartesia:实时 TTS 的接口、打断处理与字符预算怎么选

已有 ElevenLabs 声音资产的团队应核对 v4 Turbo 的 TTD 接入;从零搭建实时语音应用可先评估 Cartesia 的 context 管理。用同一组文本验收打断与播放,再按字符和峰值并发算预算。

来源: elevenlabs.io
2026年11月4日
7 min

客服助手一边生成答案、一边念给用户听,最难的地方往往是用户突然插话:旧答案必须停下来,新答案还要接得自然。ElevenLabs 与 Cartesia 都能承担文字转语音(TTS)这一层。已有 ElevenLabs 声音资产、希望使用 v4 Turbo 的团队,应先确认 Text to Dialogue 协议的接入成本;从零搭建单声线实时应用、希望按 context 管理生成和取消的团队,可以先评估 Cartesia。选择依据应是实际声音、接口和账单,而不是官网上最小的延迟数字。

先看文字是否已经写完

以一个回答订单问题的语音助手为例:大模型逐段返回文字,TTS 输出音频,播放器负责播放。这里比较的是同一条实时语音链路中的合成接口,不包括电话、语音识别、大模型或完整 Agents 平台。如果答案已经完整生成,HTTP 音频流就值得先评估;需要持续追加文字时,才重点比较 WebSocket 的输入缓冲与结束信号。音频能流式返回,不等于文字也能持续追加。

ElevenLabs 的协议对照明确区分两条路径:/v1/text-to-speech/{voice_id}/stream-input 用于 Flash 等受支持的 TTS 模型;v4 和 v4 Turbo 则走 /v1/text-to-dialogue/stream-input。后者先注册声音,再发送含 text 和 voice_id 的 inputs。因此,把旧 Flash 集成的模型名改成 eleven_v4_turbo 并不够。v4 Turbo 只允许注册一个声音,也不能因接口叫 Dialogue 就按多角色对话来设计。

Cartesia 当前的模型说明列出 Sonic 3.6;其 WebSocket使用 transcript、context_id 与输出格式等字段,返回带 context 的音频块。需要先验收再升级的团队可使用日期快照,例如 sonic-3.6-2026-08-27;sonic-3.6 会跟随最新稳定快照更新。将模型版本固定下来,才能判断一次声音变化究竟来自新脚本还是模型升级。

句子还没结束,什么时候开始说

ElevenLabs 的 TTS 路径提供分块长度调度;TTD 路径有服务端缓冲,可用 flush 触发输出。Cartesia 的手动 flush可在同一 context 内划分文本与音频的对应边界,相关音频带 flush_id;文档给出的请求组合包含空 transcript、相同 context、continue=True 与 flush=True。这些标记的语义不同,不宜只替换 SDK 名称就迁移。

例如,订单号还没生成完整就强行输出,可能把一串编号拆得难以听懂;等待整段回答又会让用户感觉沉默太久。应使用完整短句、长编号和中途改口三组相同文本,记录文字首次可用、首个音频块抵达、真正开始播放三个时刻,并比较中位数与较慢请求。本文没有在相同网络和声音条件下跑测试,因此不判定哪家真实响应更快。厂商的模型延迟也不能直接当成用户听到声音的总等待时间。

用户插话时,Cartesia 提供带 context_id 的 cancel 请求;ElevenLabs 的 TTS 多 context 指南则用关闭旧 context、创建新 context 的方式处理打断。采用 v4 Turbo 时应核对对应 TTD 变体,不能直接照搬 Flash 示例。两种实现都还需要应用停止旧文本的发送、清空本地待播音频,并丢弃晚到的旧 context 数据。取消服务端生成,不会自动撤回已经排进播放器的音频。

用字符预算,再检查峰值并发

先假设每月有 1,000 次回答、每次提交 500 个计费字符,共 500,000 字符,暂不计重试和被打断后重新生成。ElevenLabs API 价目列出 v4 Turbo 每千字符 0.04 美元,v4 为 0.08 美元;据此得到的用量估算分别是 20 美元和 40 美元。它们是按公开单价做的换算,不代表包含所有账户条件的最终账单。

Cartesia 定价页规定 Sonic 每字符 1 credit。Pro 每月 5 美元含 100,000 credits,启用超额使用后每百万额外 credits 收 65 美元;同一假设下,5 + 0.4 × 65 = 31 美元。Startup 每月 49 美元含 125 万 credits,但不能只因额度更多就升级:Pro 的 TTS 并发请求数为 3,Startup 为 5,峰值需求可能先决定套餐。这组算例不评整体性价比,也没有把 Agents 余额算成 TTS 额度。

实际预算应加入重试、改稿与被打断后再次提交的文字,并用账单确认取消请求的收费处理。若同时使用识别或电话服务,单独计入。每分钟文字密度会随语言、语速和停顿改变,不能把两家的“约多少分钟”当成同一工作量;额度够用也不代表高峰时的生成请求不会排队或失败。

选中的声音,要先确认能用于这个业务

ElevenLabs 的商用说明将商业使用权与付费套餐及输入内容权利关联;其声音管理说明要求克隆取得许可,Professional Voice Cloning 针对用户自己的声音。Cartesia 的 Pro 套餐列有商业使用许可,其可接受使用政策要求只提交自己的录音,或已取得明确同意的他人录音。购买套餐不能代替说话者授权;公司有一份员工录音,也不应据此推定可以把声音长期用于客服。

最终应让两家念同一组经授权的业务文本,再比较目标语言里的编号读法、句子衔接和插话后的停播效果。已有合适 ElevenLabs 声音、愿意适配 TTD 协议,先试 v4 Turbo;更看重明确的 context 取消、模型快照和小规模字符预算,先试 Cartesia。若团队还没有负责播放队列、打断处理和计费监控的人,换一家 TTS 供应商也解决不了这些工作。

内容说明:本文基于公开资料整理,仅供工具选型参考。产品功能、价格及相关政策可能随时调整,请以官方最新信息为准。

原文出处:elevenlabs.io