用途：将一段录音中的人声替换为目标音色，保留原始表演的情绪、节奏、语调、呼吸、耳语、笑声与哭声，只改变说话者身份。API 端点与 SDK 方法仍沿用 speech_to_speech / speechToSpeech 名称。
主要能力：支持预制音色、克隆音色与音色库中的任意 voice_id；推荐模型 eleven_multilingual_sts_v2 覆盖 29 种语言，eleven_english_sts_v2 仅英语。可覆盖单次请求的 voice_settings（stability、similarity_boost、style、use_speaker_boost），支持 seed 做尽力而为的确定性输出，remove_background_noise 可在转换前降噪，file_format 支持 pcm_s16le_16 低延迟输入，optimize_streaming_latency（0–4）可牺牲质量换延迟。输出格式含多种 mp3、pcm、ulaw、alaw 与 opus。
使用方式：Python 用 client.speech_to_speech.convert(voice_id=..., audio=..., model_id=..., output_format=...)；JavaScript 用 @elevenlabs/elevenlabs-js 的 client.speechToSpeech.convert；CLI 用 elevenlabs speech-to-speech convert --voice-id ... --audio ... --model-id ... --output-format ... --output ...。也可从 URL 下载音频后传入。
适用场景：重配音旁白、本地化/配音、创建角色音色、匿名化说话者，可配合 voice-isolator 与声音克隆使用。
限制：单次最长 5 分钟、最大 50MB，超长需切分拼接；按每分钟音频 1000 字符计费（按时长而非文本）；口音与节奏来自源音频而非目标音色；目前无低延迟 flash/turbo 档；enable_logging=false 的零保留模式仅限企业版。转换质量受源录音限制，建议先降噪、控制麦克风增益、在自然停顿处切分。常见错误含 401、422、429。