Голос — это следующий рубеж в эволюции взаимодействия с искусственным интеллектом. Если текстовые чат-боты уже стали неотъемлемой частью нашей цифровой жизни, то полноценные голосовые агенты, способные не только понимать речь, но и отвечать с естественной интонацией, открывают новые горизонты для разработчиков и бизнеса. Сегодня мы говорим о важном событии на рынке AI-инфраструктуры: платформа OpenRouter официально интегрировала решения от ElevenLabs. Это означает, что если ваше приложение уже общается с языковыми моделями через OpenRouter, оно теперь может не только «думать», но и «говорить», и «слушать».
Интеграция включает девять моделей преобразования текста в речь (Text-to-Speech, TTS) и две модели распознавания речи (Speech-to-Text, STT). Главное преимущество для разработчиков — единый интерфейс. Вам больше не нужно управлять отдельными подписками и API-ключами для разных провайдеров. Достаточно одного ключа OpenRouter, чтобы управлять всем голосовым конвейером. В этой статье мы подробно разберем, какие модели доступны, как выбрать подходящую под вашу задачу, и предоставим пошаговое руководство по созданию простого голосового агента с нуля.
01Выбор модели: какой инструмент для какой задачи?
ElevenLabs предлагает широкий спектр моделей, каждая из которых оптимизирована под конкретные сценарии использования. Понимание различий между ними критически важно для оптимизации затрат и качества результата. Давайте разделим их на три основные категории: нарратив, голосовые агенты и транскрипция.
Нарратив и создание контента: Eleven v4
Для создания длинных форматов контента, таких как аудиокниги, озвучка продуктовых видео или создание персонажей, лучшей выбором является Eleven v4. Эта модель обеспечивает наивысшее качество и эмоциональную выразительность. Она поддерживает специальные аудио-теги, такие как [whispering] (шепот), [laughing] (смех) или [sighs] (вздох), которые позволяют скрипту напрямую управлять подачей. Важно отметить, что аудио-теги учитываются в лимите символов (до 10 000 на запрос) и в биллинге, поэтому их нужно использовать осмысленно.
Голосовые агенты и живое общение: Eleven v4 Turbo
Если вы строите голосового ассистента, который должен отвечать пользователю в реальном времени, вам нужна скорость. Eleven v4 Turbo была специально разработана для low-latency (низкозадержечных) ответов. Она работает в два раза дешевле модели v4, что делает её экономически выгодной для частых запросов. Лимит символов также составляет 10 000, но ключевое отличие — минимальная задержка генерации аудио, что критично для естественности диалога.
Транскрипция и анализ: Scribe v2
Для преобразования речи в текст, создания субтитров или анализа встреч используется семейство моделей Scribe v2. Модель Scribe v2 поддерживает распознавание более чем в 90 языках, предоставляет метки времени для каждого слова и, что особенно важно, определяет спикеров (диаризация). Для медицинских задач существует специализированная версия Scribe v2 Medical, которая демонстрирует на 35% меньше ошибок на клинических аудиозаписях по сравнению с базовой версией. Обе модели тарифицируются по секундам аудио, а не по символам текста.
02Технический обзор моделей и тарификация
Чтобы помочь вам принять решение, мы собрали ключевые характеристики всех доступных моделей. Обратите внимание, что цены на OpenRouter сейчас снижены на 50% для всех клиентов до 19 октября. Это отличная возможность протестировать модели без высоких затрат.
Текст в речь (Text-to-Speech)
Eleven v4 (elevenlabs/eleven-v4)
- Макс. символов: 10 000
- Для чего: Высочайшее качество, эмоциональная речь, работа с персонажами. Поддержка аудио-тегов.
Eleven v4 Turbo (elevenlabs/eleven-v4-turbo)
- Макс. символов: 10 000
- Для чего: Голосовые агенты, живые ответы. Низкая задержка, цена в 2 раза ниже v4.

Eleven v3 (elevenlabs/eleven-v3)
- Макс. символов: 5 000
- Для чего: Драматичное чтение и работа с персонажами. Предшественник v4, все еще актуален для некоторых сценариев.
Eleven v3 Conversational (elevenlabs/eleven-v3-conversational)
- Макс. символов: 5 000
- Для чего: Диалоги в реальном времени. Имеет драматический диапазон, но оптимизирован именно для живого общения. Цена в 2 раза ниже v3.
Eleven Multilingual v2 (elevenlabs/eleven-multilingual-v2)
- Макс. символов: 10 000
- Для чего: Стабильная длинная речь на многих языках. Поддерживает контроль скорости (speed control).
Eleven Flash v2.5 (elevenlabs/eleven-flash-v2.5)
- Макс. символов: 40 000
- Для чего: Высокий объем, мультиязычность (32 языка), низкая стоимость. Идеально для массовой генерации контента.
Eleven Flash v2 (elevenlabs/eleven-flash-v2)
- Макс. символов: 30 000
- Для чего: Быстрая речь только на английском языке.

Примечание: Модели Turbo v2.5 и Turbo v2 являются устаревшими (superseded) и заменены на Flash, хотя все еще доступны.
Речь в текст (Speech-to-Text)
Scribe v2 (elevenlabs/scribe-v2)
- Для чего: Общая транскрипция, метки времени, определение спикеров, 90+ языков.
Scribe v2 Medical (elevenlabs/scribe-v2-medical)
- Для чего: Медицинская терминология, клинические записи. Снижение ошибок на 35%.
03Практическое руководство: От первого MP3 к голосовому агенту
Давайте перейдем от теории к практике. Мы построим простой продукт-тур, который состоит из трех шагов: озвучка текста, голосовой ответ на вопросы пользователя и транскрибация встречи команды. Этот пример демонстрирует полный цикл работы с аудио через OpenRouter.
Шаг 1: Озвучка продукта с помощью Eleven v4
Начнем с самого простого — превратим текст в аудиофайл. Для этого нам понадобится ваш API-ключ OpenRouter. Мы используем модель elevenlabs/eleven-v4 и голос george.
curl https://openrouter.ai/api/v1/audio/speech \
--fail-with-body \
-H "Authorization: Bearer $OPENROUTER_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "elevenlabs/eleven-v4",
"input": "[cheerfully] Welcome to the tour. [whispering] Let me show you the shortcut first.",
"voice": "george",
"response_format": "mp3"
}' \
--output intro.mp3Обратите внимание на параметр response_format: "mp3". Если вы его опустите, API вернет сырой PCM-пот (16-bit little-endian mono at 24 kHz), который удобен для дальнейшей обработки в коде, но не воспроизводится большинством медиаплееров. Для получения готового файла укажите формат MP3.
Аудио-теги, такие как [cheerfully] или [whispering], являются частью текста запроса и влияют на интонацию. Они также учитываются в лимите символов. Если ваш сценарий длиннее 10 000 символов (для v4), его необходимо разбить на части. Чтобы склейка была плавной, используйте параметры previous_text и next_text в настройках провайдера, чтобы модель учитывала контекст.
Шаг 2: Создание голосового агента
Теперь добавим интерактивности. Представьте, что пользователь задает вопрос голосом. Система должна: 1) распознать речь, 2) сгенерировать ответ с помощью LLM, 3) озвучить ответ.

Для распознавания речи мы используем Scribe v2. Запрос выглядит следующим образом:
import base64
import requests
API = "https://openrouter.ai/api/v1"
HEADERS = {"Authorization": f"Bearer {os.environ['OPENROUTER_API_KEY']}"}
def transcribe(path: str) -> str:
with open(path, "rb") as f:
audio_b64 = base64.b64encode(f.read()).decode()
response = requests.post(
f"{API}/audio/transcriptions",
headers=HEADERS,
json={
"model": "elevenlabs/scribe-v2",
"input_audio": {"data": audio_b64, "format": "wav"},
},
)
response.raise_for_status()
return response.json()["text"]Ответ от Scribe v2 содержит текст в поле text и объект usage, который показывает стоимость запроса. Далее мы отправляем этот текст в языковую модель (например, openai/gpt-5-mini) для генерации ответа, а затем используем Eleven v4 Turbo для озвучки ответа:
def speak(text: str, out_path: str) -> None:
response = requests.post(
f"{API}/audio/speech",
headers=HEADERS,
json={
"model": "elevenlabs/eleven-v4-turbo",
"input": text,
"voice": "george",
"response_format": "mp3",
},
)
response.raise_for_status()
with open(out_path, "wb") as f:
f.write(response.content)
# Цепочка: Транскрипция -> Ответ LLM -> Озвучка
speak(answer(transcribe("question.wav")), "reply.mp3")Используя Turbo, мы минимизируем задержку, делая диалог максимально естественным. При этом мы сохраняем тот же голос (george), что и в первом шаге, для единообразия бренда.
Шаг 3: Транскрибация встречи с определением спикеров
Последний шаг — анализ записей. Scribe v2 умеет не просто транскрибировать, но и разделять спикеров (диаризация). Для этого нужно включить параметр diarize и, опционально, указать количество спикеров num_speakers.
curl https://openrouter.ai/api/v1/audio/transcriptions \
--fail-with-body \
-H "Authorization: Bearer $OPENROUTER_API_KEY" \
-F file="@tour-review.mp3" \
-F model="elevenlabs/scribe-v2" \
-F response_format="verbose_json" \
-F "timestamp_granularities[]=word" \
-F 'provider={"options": {"elevenlabs": {"diarize": true, "num_speakers": 3, "tag_audio_events": true}}}'В ответе вы получите массив слов, каждое из которых содержит поле speaker (индекс спикера) и speaker_label (например, "speaker_0"). Также можно включить tag_audio_events, чтобы в текст добавлялись пометки вроде (laughter) или (applause). Это позволяет затем сгруппировать реплики по спикерам и отправить их в LLM для создания протокола встречи и списка задач.
input_audio.url, чтобы обойти это ограничение. Однако помните о таймауте в 180 секунд на уровне запроса, поэтому очень длинные файлы лучше разбивать.04Полезные советы для первых запросов
Чтобы избежать распространенных ошибок при интеграции, обратите внимание на следующие нюансы:
- Выбор голоса: Вы можете использовать имена предустановленных голосов (george, sarah, adam и др.) или ID голосов, созданных вами в ElevenLabs. Имена не чувствительны к регистру. Для использования кастомных голосов (cloned voices) рекомендуется использовать режим BYOK (Bring Your Own Key), добавив свой ключ ElevenLabs в OpenRouter.
- Контроль скорости: Параметр
speed(от 0.7 до 1.2) работает только в моделях Multilingual v2 и Flash. В моделях v4 и Turbo этот параметр игнорируется или вызывает ошибку. Для изменения темпа в v4 используйте аудио-теги или меняйте текст. - Форматы вывода: Помимо MP3, можно запрашивать другие форматы, такие как
mp3_22050_32илиpcm_16000. Убедитесь, что выбранный формат совпадает с параметромresponse_format. - Коды языков: При запросе транскрипции можно указать двухбуквенный код языка (например,
en), но в ответе вы получите трехбуквенный код ISO 639-3 (например,eng). Это важно учитывать при парсинге ответа.
05Что это значит на практике
Интеграция ElevenLabs в OpenRouter снимает значительную часть технических барьеров для разработчиков, желающих внедрить голосовые функции. Больше не нужно настраивать сложные пайплайны с разными API-ключами, обрабатывать ошибки авторизации в разных сервисах и управлять лимитами подписок отдельно. Единый интерфейс OpenRouter позволяет абстрагироваться от сложности бэкенда ElevenLabs.
Для бизнеса это означает возможность быстрого прототипирования голосовых продуктов. Вы можете создать голосового помощника для поддержки клиентов, инструмент для автоматического создания субтитров для видео или систему для анализа звонков, используя всего несколько строк кода. Снижение цен на 50% до конца октября делает этот период идеальным для тестирования и масштабирования решений.
Кроме того, поддержка диаризации и аудио-тегов открывает новые возможности для создания иммерсивного контента. Вы можете не просто озвучивать текст, а управлять эмоциями персонажей, что особенно важно для геймдева, образования и развлекательных приложений. Распознавание речи с высокой точностью и разделением спикеров делает Scribe v2 мощным инструментом для автоматизации документооборота и аналитики.
В заключение, OpenRouter продолжает укреплять свою позицию как универсальной платформы для доступа к лучшим AI-моделям. Добавление ElevenLabs завершает картину, позволяя создавать полноценные мультимодальные приложения, которые понимают, думают и говорят. Начните с простого запроса, поэкспериментируйте с разными моделями и голосами, и вы удивитесь, насколько естественным и мощным может стать взаимодействие вашего пользователя с ИИ.
06Заключение
Голосовые технологии перестают быть нишевыми и становятся стандартом. С OpenRouter и ElevenLabs у вас есть все инструменты, чтобы быть на передовой этой революции. Создавайте, экспериментируйте и делайте свои продукты более человечными.
Источник: OpenRouter ↗
