如何构建 AI 语音助手：ElevenLabs 实用指南

隆重推出 Eleven v4，认识 Eleven v4——我们迄今最具情感表现力的模型。

• 了解更多
• 获取 API 密钥

想象一下，你致电一家零售店申请退款，接听你的是像真人一样的 AI，几分钟内退款就打入你的银行账户。每一次交互都无缝完成，无需人工客服介入。曾经被视为科幻的、能够处理复杂用例的 AI 语音助手如今已成为现实。 

越来越多的企业将 AI 语音助手用于面向客户的应用。这些助手由最先进的语音代理和生成式 AI 驱动，支持意图匹配、低延迟响应，并可在各类用例中实现功能集成。 

借助 ElevenAgents 等工具，将语音助手嵌入你的 客户支持 工作流比以往任何时候都更容易。要构建一个 AI 语音助手，先定义它应完成的任务，然后将 语音转文字、LLM 和 文字转语音 连接成一个实时管线。添加你的知识库和业务工具，编写系统指令和回退规则，测试延迟和安全性，并在上线后衡量结果。

本指南展示如何构建一个与你的品牌高度契合的 AI 语音助手。 

摘要

• AI 语音助手将语音转文字、LLM 和文字转语音连接起来，打造能够采取行动的 对话式 AI 。 
• 借助 语音活动检测 （VAD）将往返响应控制在 500 毫秒以内，让语音 AI 听起来自然并减少通话放弃率。
• 与内部知识库和工具集成，使 AI 能够在不同场景中给出上下文感知、准确且有帮助的响应。
• 在处理情绪激烈或复杂的查询时，应用需要明确口头确认的安全措施，并转接给真人客服。
• 使用 ElevenAPI 访问专为实时交互设计的高精度交互式语音和音频模型。 

什么是 AI 语音助手？ 

AI 语音助手是一种能够理解口语并让用户与互联系统交互的软件。它结合语音转文字、AI 模型和文字转语音技术，将对话转化为行动。 

除了转写文本，AI 语音助手还能执行任务，例如启动应用、检索数据和控制机器。根据你使用的语音模型，一些 AI 助手听起来几乎与真人录音难以区分。

然而，AI 语音助手并非新技术。许多消费者使用 Siri、Alexa 和 Google Assistant 等商用语音助手来响应简单指令。但随着 AI 技术演进，越来越多的组织正在为更复杂的企业工作流构建 AI 语音助手。 

例如，保险公司 Admiral 构建了一个 AI 语音助手来服务数百万客户。该 AI 助手负责回答查询、检索文档，并将人工客服从重复性任务中解放出来。 

如果你计划为商业或工业工作流构建 AI 语音助手，请继续阅读。我们将带你逐步构建一个，并用一个 Python AI 语音助手 示例来突出关键实现细节。 

如何构建 AI 语音助手：定义你的 AI 语音代理应完成的任务 

语音 AI 通常用于自动化呼叫中心的客户支持。然而，鉴于 AI 语音代理的广泛能力，你几乎可以为任何用例构建 AI 语音助手，包括 销售、产品和人力资源. 

无论你的语音代理应用于何处，都要确保它与业务逻辑保持一致。要构建高性能的语音助手，请就常见的终端用户挑战咨询领域专家。然后，梳理客户交互旅程并设定可衡量的指标。 

例如，如果你将语音 AI 应用于销售漏斗，代理必须能够提出预资格问题。 

我们的 AI 销售开发代表（SDR）Dom 就做到了这一点，实现了 92% 的资格判定准确率. 

选择成功指标、渠道和升级路径

在企业环境中部署时，代理必须针对特定目标保持稳定表现。目标越窄，评估和微调代理就越容易。

因此，请在开发早期提出以下问题：

• 可容忍的响应延迟是多少？ 
• 预期的自助解决率是多少？ 
• 代理是否需要使用多种语言对话？ 
• AI 助手能否在无人干预的情况下端到端处理基本请求？
• 在什么情况下代理应升级至人工支持？ 

基于原始 API 构建，还是使用 ElevenAgents？

在编写代码之前，先决定你想拥有语音技术栈的多少部分。你可以通过 ElevenAPI 自行将语音转文字、LLM 和文字转语音连接起来，也可以使用 ElevenAgents——一个将上述组件打包在一起的托管平台。

基于原始 API 构建让你对每一层拥有完全控制权。你可以选择 LLM、编写编排代码，并自行负责轮次切换、打断处理、电话通信和监控。这条路径适合有特定架构要求的团队，也是本指南中 Python 演练所遵循的路径。

ElevenAgents 将模型、工具、知识库和工作流整合到一个仪表盘中。它可连接 Twilio 和 Amazon Connect 等电话服务提供商，以及 Salesforce、Zendesk 和 HubSpot等业务工具。它还包括上线前的模拟和自动化测试，以及上线后对成功率、CSAT 和转录文本的分析。

用这些问题来做出选择：

• 速度：ElevenAgents 让团队可以从仪表盘配置并启动代理，而原始 API 意味着要构建和维护完整管线。
• 控制：原始 API 让你用代码自定义每一步，而 ElevenAgents 通过配置覆盖常见需求。
• 运维：ElevenAgents 包含测试和分析，而原始 API 需要你自行构建监控。
• 团队：ElevenAgents 适合由产品、支持和运营人员组成的混合团队，而原始 API 适合拥有专职工程师的团队。

一种实用的做法是先在 ElevenAgents 中验证用例，然后仅在需要更多控制的环节将特定层迁移到自定义代码。

梳理 AI 语音助手架构 

定义业务目标后，将代理功能映射到合适的技术。AI 语音助手依赖若干关键组件协同工作，将语音转换为文本、触发操作并给出连贯的响应。 

• 语音转文字模型捕获口头话语，识别 音素，并生成对话转录文本。 
• AI 引擎充当语音助手的大脑，其范围从简单的基于规则的算法或自然语言处理库，到大型语言模型（LLM）。 
• 文字转语音模型使用类人语音合成对话响应，并遵循品牌指南。 

ElevenLabs 提供语音转文字和文字转对话的语音与音频模型，帮助产品和工程团队构建其 AI 语音助手架构。我们的模型支持细腻的语调、情感感知和低延迟响应。你可以通过以下方式访问这些语音模型： ElevenAPI. 

对于 AI 模型，你的选择在很大程度上取决于语音助手的目标和需求。虽然 LLM（如 OpenAI GPT 模型、Gemini 和 Claude）在推理方面表现出色，但它们需要额外的微调才能满足特定领域的需求。有时，使用更简单的神经网络或基于规则的解析器更为实用。 

除了语音和 AI 模型之外，你还需要自定义软件，从对话或用户请求中提取特定实体。例如，当来电者说“我想和销售部门通话”时，你的代码必须识别出“销售部门”并触发相应的操作。

创建 API 密钥，并连接语音转文字、LLM、工具和文字转语音

在你连接语音和语言模型之前。同样，在将外部服务工具集成到语音助手时，你需要 API 密钥来发起 API 请求。 

• 要创建 ElevenLabs API 密钥， 请点击此处. 
• 要使用 OpenAI LLM， 请在此处获取你的密钥. 
• 如果你要连接第三方 CRM、ERP 和其他工具，请参阅官方文档以创建 API 密钥并查找受支持的 API。 

获取 API 密钥后，将它们存储在开发环境中。 

然后，你通过向 API 传递正确的参数来初始化并访问工具、LLM 和音频模型。 

1. 首先，连接到 ElevenLabs Scribe v2 Realtime 以执行 自动语音识别. ElevenLabs Scribe v2 Realtime 可让你创建低延迟语音代理，在不到 150 毫秒内将对话转换为文本（不包括网络和应用时间）。 

以下是一个 Python 代码片段，使用 ElevenLabs Scribe v2 Realtime 捕获麦克风录音。

async def run(
    self,
    audio_queue: asyncio.Queue[bytes],
    on_partial: Callable[[str], None],
    on_committed: TranscriptHandler,
) -> None:
    audio_format = AudioFormat(f"pcm_{self.settings.audio_sample_rate}")
    connection = await self.client.speech_to_text.realtime.connect(
        RealtimeAudioOptions(
            model_id="scribe_v2_realtime",
            audio_format=audio_format,
            sample_rate=self.settings.audio_sample_rate,
            commit_strategy=CommitStrategy.VAD,
            vad_silence_threshold_secs=0.45,
            min_speech_duration_ms=120,
        )
    )

2. 接下来，你将转录文本发送给具有强大推理能力的 LLM 以生成响应。在此示例中，我们使用 OpenAI GPT-4o mini。 

以下是在 Python 代码中向 LLM 发送转录文本的方法。 

async def _stream_completion(self) -> tuple[str, list[dict[str, str]]]:
    response = await self.client.chat.completions.create(
        model=self.settings.openai_model,
        messages=[self.messages[0], *self.messages[-12:]],
        tools=TOOLS,
        tool_choice="auto",
        parallel_tool_calls=False,
        temperature=0.4,
        stream=True,
    )

3. 收到 LLM 的输出后，使用 ElevenLabs v4 Turbo我们的文字转语音模型极具表现力，专为实时交互而设计，延迟低至约 100 毫秒（仅指模型推理时间。实际端到端延迟会因你的所在地和所使用的端点类型等因素而有所不同）。

下面的代码展示了智能体如何使用 WebSocket 通过 ElevenLabs 文本转对话 API 流式传输语音响应。

async def stream(self, text: str) -> AsyncIterator[bytes]:
    query = urlencode(
        {
            "model_id": self.settings.elevenlabs_tts_model_id,
            "output_format": "pcm_24000",
        }
    )
    url = f"wss://api.elevenlabs.io/v1/text-to-dialogue/stream-input?{query}"
    voice_id = self.settings.elevenlabs_voice_id


    async with websockets.connect(url, max_size=2**20, ping_interval=20) as socket:
        await socket.send(
            json.dumps(
                {
                    "voices": [voice_id],
                    "xi_api_key": self.settings.elevenlabs_api_key,
                }
            )
        )
        await socket.send(
            json.dumps(
                {
                    "inputs": [
                        {"text": text, "voice_id": voice_id, "new_turn": False}
                    ]
                }
            )
        )
        await socket.send(json.dumps({"close_socket": True}))

你的自动语音识别代理应能从容处理多轮对话。为此，你需要一个能够判断语音何时开始和结束的语音代理。 

设计听起来自然且始终围绕任务的对话  

传统的交互式语音应答（）系统无法在其预设场景之外运行。当被要求解决其规则中未定义的问题时，这些 IVR 无法提供令人满意的响应。此外，它们听起来并不总是自然，这会影响客户体验。借助先进的 AI 和语音模型，语音助手可以更自然地响应并处理边缘情况。你可以设计智能体必须预判的不同场景，以及针对其无法解决的情况的升级路径。例如，一些自定义系统无法在其预设场景之外运行。当被要求解决其规则中未定义的问题时，这些 无法提供令人满意的响应此外，它们听起来并不总是自然，这会影响客户体验。

借助先进的 AI 和语音模型，语音助手可以更自然地响应并处理边缘情况。你可以设计智能体必须预判的不同场景，以及针对其无法解决的情况的升级路径。例如，一些客户致电询问物流状态，而另一些客户可能因产品缺陷而情绪激动，并坚持要与客户体验经理通话。 

编写系统指令、轮流发言规则和回退响应

为了处理不同场景，你需要创建特定的逻辑处理代码，并在 AI 语音智能体应用中编写系统提示词。 系统提示词 在 AI 语音智能体应用中。 

例如， 下面的系统提示词会检测挫败情绪，并指示 LLM 以更具同理心的方式回应。 下面的系统提示词会检测挫败情绪，并指示 LLM 以更具同理心的方式回应。 

SYSTEM_PROMPT = ""You are a calm, empathetic voice assistant for customer support.
Speak naturally in short, clear sentences that are easy to hear. Answer from
retrieved company information when relevant; say when the answer is uncertain
rather than inventing a policy. Use tools for customer lookup and support
requests. Before creating a ticket or transferring a caller, request explicit
verbal confirmation through the tool flow and wait for a clear yes. Never ask
for passwords, full payment card numbers, or authentication codes. Do not claim
a ticket was created, a contact was found, or a transfer completed unless the
tool confirms it. Keep responses concise and avoid markdown when speaking.
"""

AI 对话绝不应让人感到仓促 或被打断。语音模型必须检测用户何时停止说话并及时响应。ElevenLabs Scribe v2 Realtime 让你在监听麦克风输入时启用 VAD。与传统 VAD 仅依赖静音时长不同，ElevenLabs Scribe v2 Realtime 使用深度学习算法来判断客户是否已经说完。 

语音转文字 API 时，在代码中设置该参数即可启用 VAD。 语音转文字 API. 

commit_strategy=CommitStrategy.VAD,

接下来，如果智能体无法令人满意地回答客户的请求，请提供礼貌、尊重的回退响应。同样，AI 智能体在转录对话时也可能遇到错误。你的代码应处理技术难题，并向客户坦诚沟通。 

为了提供回退响应，你需要在代码中使用条件逻辑。例如，下面的代码片段会捕获语音转文字 API 返回的错误状态，并触发相应的响应。 

connection.on(RealtimeEvents.ERROR, handle_error)
connection.on(RealtimeEvents.AUTH_ERROR, handle_error)
connection.on(RealtimeEvents.CLOSE, stopped.set)

构建知识层与工具层，以提供可靠的回答 

LLM 具备强大的推理能力，使 AI 语音助手能够自然地做出回应。然而，对话式回应并不总是意味着准确。如果没有依据数据，LLM 可能会产生幻觉，从而导致语音智能体给出看似合理但并不准确的答案。 

例如，当你向 GPT-4o mini 询问一款你最近发布的产品时，它无法自信地给出答案。要做到这一点，你需要将 LLM 连接到你的内部知识库，并搭配一个 检索增强生成（RAG）系统RAG 让 LLM 能够参考内部产品指南，从而给出准确的回答。 

添加检索、API 操作、权限以及人工转接

要使用 RAG，你需要创建一个向量数据库。向量数据库将文档以数值表示的形式存储在多维空间中。以下代码片段展示了语音智能体在查询 LLM 之前如何从向量存储中检索相关文档。 

def search(self, query: str, top_k: int = 3) -> list[dict[str, str | float]]:
    query_vector = _vectorize(query)
    ranked = sorted(
        (
            (_cosine(query_vector, chunk.vector), chunk)
            for chunk in self.chunks
        ),
        key=lambda item: item[0],
        reverse=True,
    )
    return [
        {"source": chunk.source, "text": chunk.text, "score": score}
        for score, chunk in ranked[: max(0, top_k)]
        if score > 0

除了 RAG 之外，你的 AI 语音助手很可能还需要访问 CRM、ERP 和其他企业系统。这样一来，语音智能体在组织回答时，就能把客户数据、历史交易和市场趋势等必要信息作为上下文呈现出来。

例如，你可以 通过 API 将 ElevenLabs 与 HubSpot 集成。 使用 API。这样，你就可以利用 CRM 知识库解决常见问题、创建工单，并在完整的对话上下文中升级支持请求。 

以下是一段代码片段，可让语音智能体在 HubSpot 中创建支持工单。

esponse = await self.client.post(
    "/crm/v3/objects/tickets",
    json={
        "properties": {
            "subject": title,
            "content": description,
            "hs_pipeline": "0",
            "hs_pipeline_stage": "1",
        }
    },
)
response.raise_for_status()
ticket = response.json()
if contact_email:
    contact_response = await self.search_contact(contact_email)
    results = contact_response.get("results", [])
    if results:
        await self.client.put(
            f"/crm/v4/objects/tickets/{ticket['id']}/associations/contacts/{results[0]['id']}",
            json=[{"associationCategory": "HUBSPOT_DEFINED", "associationTypeId": 16}],
        )
return {"mode": "live", "id": ticket.get("id"), "title": title}

虽然 AI 语音智能体 可以加快问题解决速度，但客户必须了解自己的选项，尤其是当他们所做的更改可能会显著影响其账户时。与基于文本的聊天机器人不同，口头列出选项需要更多安全保障。一旦他们做出选择，在通话中撤销可能会很困难。

在这种情况下，我们建议对来电者进行身份验证并寻求口头确认。例如，如果客户想要取消购买，你的语音智能体必须明确询问：“您确定要取消订单吗？”并等待回答。 

下面我们展示一个示例。 

def request(self, name: str, arguments: dict[str, Any]) -> str:
    self.pending = PendingAction(name=name, arguments=arguments)
    if name == "create_support_ticket":
        return "I can create that support ticket. Would you like me to submit it?"
    return "I can transfer you to a human support agent. Should I start the transfer?"

def resolve(self, text: str) -> tuple[ConfirmationState, PendingAction | None]:
    if self.pending is None:
        return ConfirmationState.NONE, None

    answer = re.sub(r"[^a-z']+", " ", text.lower()).strip()
    if answer in {
        "yes", "yes please", "yeah", "yeah please", "yep", "sure",
        "please do", "confirm", "do it",
    }:
        action, self.pending = self.pending, None
        return ConfirmationState.CONFIRMED, action
    if answer in {"no", "nope", "dont", "do not", "cancel", "stop"}:
        self.pending = None
        return ConfirmationState.DECLINED, None
    return ConfirmationState.PENDING, None

如何通过 AI 语音助手验证来电者身份

在 AI 语音智能体分享账户详情或更改账户之前，它应当确认自己正在与谁对话。 确认自己正在与谁对话。来电者的电话号码是有用信号，但不能证明身份。请将其与其他检查结合使用：

• 将来电者的号码与 CRM 中的客户记录进行匹配。
• 只询问只有账户持有人才知道的细节，例如最近的订单日期。
• 通过工具调用对照你的记录验证这些答案，绝不要依赖 LLM 来判断它们是否正确。
• 限制未经验证的来电者可以执行的操作，例如允许查询订单状态，但不允许取消订单。

按照上文的系统提示，请勿在对话中保留密码、完整支付卡号和身份验证码。

具备实时呼叫转移与升级功能的 AI 语音智能体

实时转接会将呼叫者交给人工坐席，而无需其重复说明。在暖转接中，语音智能体会在通话接通前将转录文本和上下文传递给人工坐席。常见触发条件包括：

• 来电者要求与真人通话。
• 来电者听起来感到沮丧，或者对话变得情绪化。
• 在其回退响应之后，智能体仍无法解决该请求。
• 该请求需要一项需要人工批准的操作。

在某些情况下，AI 智能体需要将通话升级转接给人工坐席。语音智能体通常会检测到表示沮丧情绪的意图，或触发转接的特定词语。在你的代码中，通话转接必须无缝完成，并且对客户而言是透明的。 

在转接之前，你将转录文本、客户详情和其他辅助上下文传递给实时支持坐席。ElevenLabs 提供了一个 转接号码工具 它会把 AI 智能体处理的通话路由到 SIP 中继或 Twilio 电话号码。

下面的代码片段展示了一次 Twilio 会议转接。 

account = self.settings.twilio_account_sid
call_sid = self.settings.twilio_call_sid
conference = f"support-{call_sid}"
room = xml.sax.saxutils.escape(conference)
twiml = f"<Response><Dial><Conference>{room}</Conference></Dial></Response>"
api = f"https://api.twilio.com/2010-04-01/Accounts/{account}"
auth = (account, self.settings.twilio_auth_token)
async with httpx.AsyncClient(timeout=15.0, auth=auth) as client:
    agent_call = await client.post(
        f"{api}/Calls.json",
        data={
            "To": self.settings.handoff_number,
            "From": self.settings.twilio_from_number,
            "Twiml": twiml,
        },
    )
    agent_call.raise_for_status()
    caller_call = await client.post(
        f"{api}/Calls/{call_sid}.json",
        data={"Twiml": twiml},
    )
    caller_call.raise_for_status()

无需编写代码，即可在 ElevenAgents 中构建 AI 语音助手

如果你不需要自定义代码，可以在 ElevenAgents 中启动同一个助手。步骤与上述架构相同，只不过你是在仪表板中配置每一层，而不是通过编写代码来实现。

1. 创建一个智能体，并在系统提示中描述其职责，包括语气、范围以及何时升级。
2. 从语音库中选择一个声音，或设计或克隆你自己的声音，并设置智能体应使用的语言。
3. 添加你的知识库，让智能体能够基于你自己的文档进行回答。
4. 连接工具和集成，例如你的 CRM 或帮助台，以便智能体能够采取行动。
5. 为助手无法解决的来电设置转接至人工坐席。
6. 在发布前运行模拟和自动化测试以检查行为。
7. 将智能体部署到一个电话号码或渠道上，然后查看成功率、CSAT 和转录文本。

以下各节中的测试与测量指南无论你采用代码构建还是无代码构建均适用。

如何构建契合你品牌的 AI 语音助手 

组织可以定制 AI 智能体的声音，以体现其品牌特色。在整个对话过程中保持一致的语调有助于建立信任。借助 ElevenLabs，你可以通过多种方式自定义 AI 智能体的声音。 

• ElevenLabs 语音库 提供 20,000 多种以自然方式说出 90 多种语言的 AI 语音。从充满活力到平静自信，你可以浏览并使用任意一种来匹配你的品牌语调。 
• ElevenLabs 语音设计 让你通过文本提示创建独特的语音足迹。描述语速、语调、情感和其他言语特征，以获得你想要的声音。 
• ElevenLabs AI 语音克隆 通过分析你的语音录音样本，创建你的声音的数字副本。 

除了把情感和细微差别处理正确之外，审查 AI 语音的发音也很重要，尤其是对特殊名称。如有需要，创建一个 发音词典 可供你的语音模型参考。 

在发布前测试延迟、中断、准确性和安全性 

在发布之前，请严格测试你的 AI 语音助手，确保它在不同场景下都能可靠运行。 

• 延迟测试：如果智能体的响应时间超过 700 毫秒，客户就会觉得不自然。根据你的具体配置，网络速度、LLM、语音模型和第三方 API 都可能影响延迟。理想情况下，应将对话延迟控制在 500 毫秒以内。 
• 中断测试：检查智能体是否能处理对话中途的中断。具体而言，智能体应丢弃输出音频帧、停止 TTS，并在不丢失上下文的情况下恢复采集语音输入。 
• 轮流发言测试：当用户停止说话时，智能体应自然地接管。评估智能体是否在正确的时间接管，以及它是否会在说话中途打断。如需详细指南，请阅读如何 ElevenLabs 在此处理轮流发言。 
• 准确性测试：STT 层的任何不准确都会向下游传播。确保语音助手即使在嘈杂环境中也能理解语音。此外，语音模型必须能够稳定、准确地转写不同口音的语音。 
• 安全测试：确保防护措施能够防止系统出现违反品牌政策的行为。如果交互变得情绪化，智能体必须按照预设指南，促成温暖地转接给人工坐席。

衡量结果并改进你的语音助手开发 

通过内部测试标准，可以让你的 AI 语音助手为真实环境部署做好准备。然而，这并不是开发生命周期中的最终目标。部署后的迭代同样重要，以确保你的 AI 语音助手能够持续解决客户请求。

你使用来自 对话式 AI 指标，以识别你的 AI 助手存在的差距。然后，逐步优化应用逻辑、API 集成、模型选择以及其他技术栈组件，以提升对话式 AI 的表现。

跟踪控制率、解决率、客户满意度和失败模式

持续对照行业基准衡量你的 AI 助手。需要跟踪的指标包括： 

• 控制率：跟踪 AI 智能体成功解决了多少对话。 
• 升级率：衡量最终需要人工介入的通话。 
• 词错误率：一项准确度基准，用于衡量 AI 转写音频的精确程度。 
• 幻觉率：重点统计 LLM 生成不准确但看似合理的答案的事件。 
• CSAT：客户反馈，表明客户对 AI 语音智能体的满意程度。 

进一步了解对话式 AI 指标。

开始使用 ElevenAPI 构建 AI 语音助手 

ElevenAPI 简化 AI 语音助手的开发。借助领先的 文本转语音与语音转文本 模型，你可以创建上下文感知的对话式 AI 智能体，完美融入你的企业工作流。我们的语音和音频模型始终提供高准确度和低延迟，带来自然的客户体验。 

在此获取你的 ElevenAPI API 密钥 并探索 我们的官方文档 开始构建。 

常见问题：构建 AI 语音助手 

你可以通过克隆或设计来创建自己的 AI 语音。语音克隆会生成你声音的数字副本，包括口音、情感和发音。同时，语音设计让你利用 AI 技术创建全新的声音特征。 

你可以使用基于云端的平台或本地开发环境来构建自己的 AI 助手。像 ElevenAgents 简化 AI 助手开发，将 AI 模型、工具、知识库和其他资源整合到一个仪表板中。 

一些 AI 平台允许你免费构建智能体，但会对使用施加限制。例如，你的 API 调用次数、AI token 或工作流集成数量会受到限制。要解除使用限制，通常需要付费订阅。 

许多 AI 语音平台提供使用量有限的免费套餐。你可以在文本转语音网页应用中免费试用 ElevenLabs 语音。生产环境使用通常需要更高的使用量上限和商业许可，付费套餐一般会提供这些。发布前请查看每个套餐的条款。

定义 AI 语音智能体的目标、成功指标和技术架构。然后，将文本转语音、语音转文本和 LLM 连接起来，创建一个具备上下文感知能力的语音 AI。与内部知识库和工具集成，并使其贴合你的品牌声音。 

作者

杰克·莱姆贝尔

增长营销

杰克·莱姆贝尔（Jack Limebear）就职于增长团队，担任内容撰稿人和策略师，负责博客和洞察页面。在加入 ElevenLabs 之前，他拥有十余年内容策略领导经验，服务过的机构涵盖快速成长的 SaaS 初创公司到《财富》500 强企业。他拥有剑桥大学英国文学硕士学位。

相似文章

• 

  什么是智能体工作流，它们如何改变自动化？

  类别资源日期2026年9月21日
• 

  什么是上下文窗口？每位 LLM 用户都应了解的知识

  类别资源日期2026年9月18日
• 

  衡量对话式 AI：成功的关键指标

  类别资源日期2026年9月17日
• 

  对话式 AI 的用例、示例和应用

  类别资源日期2026年9月15日

以最高质量创建 AI 音频