scenario-elevenlabs

Scenario ElevenLabs 音频

概览

ElevenLabs 在 Scenario 上涵盖五类音频任务：语音、音乐、音效、配音和声音转换。创作时，11 个成员并列提供，每个各司其职：关键在于选对成员，而不是引导某个模型切换模式。使用 search 查找它们，并将 model_schema_get 视为契约：这些成员几乎没有共同点。

有关连接和核心工作流程，请参阅本仓库中的 scenario 技能；有关模型无关的音频工作，请参阅 scenario-audio 技能。如果你可用的技能中缺少此处提到的同级技能，请让用户安装（npx skills add scenario-labs/skills --skill <name>）；若是无人值守的情形，则根据工具架构继续操作，并指出此缺失。

快速参考

任务	成员	关键输入
富有表现力的语音、对话	Eleven v3	带有行内标签的 text
旁白、固定语言	Multilingual 2	languageCode
快速或批量语音	Turbo 2.5	相同结构，成本更低
根据单条提示词生成音乐	Music v2	prompt、durationSeconds、forceInstrumental
结构化歌曲	Music Advanced v2	必需的 sections 数组
音效和循环	Sound Effects 2	text、promptInfluence、loop
本地化、保护名称	Dubbing v2	file、targetLang、keyterms
本地化、说话人控制	Dubbing	numSpeakers、dropBackgroundAudio
为录音重新配音	Speech to Speech、Voice Changer	audio（最长 5 分钟）以及一个声音
清理嘈杂语音	Voice Isolator	audio

语音成员共用一套声音契约：voiceId 接受克隆的 ElevenLabs 声音，并始终优先；publicVoice 用于选择预设（创作时有 21 个），与其同时设置时会被忽略；两者都不设置时则使用 Adam 预设。Voice Changer 是 Speech to Speech 加上表达控制参数（stability、similarityBoost、styleExaggeration、useSpeakerBoost）。只有 TTS 成员支持 WAV 输出；其他成员的 outputFormat 为 MP3 或 Opus，Dubbing 和 Voice Isolator 则没有此参数。Sound Effects 2、两个 Dubbing 成员和 Voice Isolator 不支持 seed，其他成员使用它可以保证结果可复现。费用取决于内容：TTS 按 text 计费（创作时上限为 40,000 个字符），Music v2 按 durationSeconds 计费，Advanced 按 sections 计费，配音和声音成员则按 file 或 audio 计费，因此长任务和成员对比时应使用 dry_run。

语音：v3 使用标签，其他版本使用参数

Eleven v3 会读取文本中的行内音频标签，例如 [whispers]、[excited]、[sighs]，在 70 多种语言中逐刻引导表达方式，并支持多说话人对话。Multilingual 2 和 Turbo 2.5 不读取标签：它们通过 stability、styleExaggeration 和 speed（0.7 至 1.2）控制表达，并通过 languageCode（ISO 639-1）固定语言；v3 不支持此字段。Turbo 以表达力换取成本优势，创作时每次运行的费用约为另外两个成员的一半。

音乐：一条提示词，还是三十个片段

Music v2 接受一个 prompt（情绪、流派、乐器、节奏）、durationSeconds（创作时为 3 到 600，会影响费用）和 forceInstrumental，用于抑制人声：仅用文字描述并不可靠。Music Advanced v2 要求提供 sections，创作时最多可包含 30 个有序片段；每个片段都有自己的 text、durationSeconds（3 到 120）、positiveStyles 和 negativeStyles（各最多 10 个），以及 contextAdherence（值高时会让片段贴合相邻片段，值低时则更自由）。片段语法：方括号用于标记（[Verse]、[Chorus]），花括号用于指示（{soft piano intro}），普通文本则会作为歌词演唱。Advanced 没有纯器乐标记，因此任何普通文本都会被演唱。两个音乐成员都不接受 numOutputs：一次运行只生成一首作品；演唱的歌词每次生成的效果都不同，因此要批量获取多个版本，需使用不同的 seed 值并行运行多个任务，每个任务仅按其时长单独计费，这与使用批量字段的费用相同，但会返回边界清晰的独立文件。在一次运行中放入两个 [Verse] 块来获取两个版本，只会返回一个没有分割点的文件。

配音会替换音轨，而非嘴唇动作

两个 Dubbing 成员都接受带有必填 targetLang 的音频或视频 file，输出类型与输入相同：输入视频，输出配音视频。两者都不会重新生成嘴唇动作。源语言自动检测的写法不同：v2 使用 sourceLang: "auto"，旧版成员则使用空字符串。需要 keyterms（在翻译中原样保留姓名、品牌和术语）时选择 v2；需要 numSpeakers（0 表示自动检测，最多 10 位说话人）、dropBackgroundAudio、disableVoiceCloning 或 highestResolution 视频时选择旧版 Dubbing。两者价格相差数倍，因此只要两者都适用，就都运行 dry_run。相比之下，Speech to Speech、Voice Changer 和 Voice Isolator 只接受 audio，不受目录简介所述内容影响：处理视频片段时，先用 model_scenario-audio-extract 提取音轨，运行相应成员，然后在 model_scenario-compose-video 中将结果叠加到视频片段上，把片段作为视频图层并设置 mute: true（ID 固定：Scenario 的每项操作都只有一个确定性的工具，因此发现操作只会重新推导出同一个工具）。同一个合成器也可将 Music v2 音轨铺在视频下方；图层约定见 scenario-video-assembly。

操作示例：将预告片配成西班牙语

1. 使用 target="models"、query="elevenlabs dubbing"、public=true 运行 search。优先选择最新的未弃用结果，例如 model_elevenlabs-dubbing-v2（撰写本文时仍可用的结果：每次会话都要重新发现）。
2. 使用该 ID 运行 model_schema_get：先了解字段和默认值，再进行其他操作。
3. 使用 upload_asset 上传预告片视频（参见 scenario 技能），获取资产 ID。
4. 使用该 model_id 运行 model_run，设置 dry_run=true，并准确传入 parameters={"file": "asset_x", "targetLang": "es", "keyterms": ["Aetherfall", "Kestrel Squad"]}。 价格取决于文件：每次都要根据输入重新估算。
5. 再次运行 model_run，设置 wait=false，然后用返回的任务 ID 调用 jobs_wait；超时后再次调用时传入 pending_job_ids，切勿再次调用 model_run。
6. 使用 asset_display 查看结果（由于输入是视频，结果也是视频），并确认关键词得以保留；使用不带 format 的 asset_download 将其保存。

常见错误

• 将 publicVoice 与 voiceId 并列设置，并期望它生效：只要设置了 voiceId，就始终以它为准。
• 在 Multilingual 2 或 Turbo 2.5 中使用行内标签：这种语法属于 Eleven v3；在其他地方，标签可能会被朗读出来。
• 在 Music v2 提示词中写入“instrumental”，而不是设置 forceInstrumental；Music Advanced 没有此标志，普通段落文本始终会被演唱。
• 期望 Dubbing 实现口型同步：音轨会变化，画面不会。
• 在音乐相关成员中使用 numOutputs，或者重复运行一段长内容，期望得到不同版本，却不更改 seed：相同的种子和设置会生成相同的音乐。
• 将一个成员的上限套用到另一个成员：40,000 个字符、600 秒、30 个段落和 5 分钟输入音频，分别只适用于某个类别，对下一个类别并不适用。