SuperAPI AI 工具集

elevenlabs-performance-tuning

通用与其它

查看项目

更新于 10-16 06:18

技能介绍

用途:优化 ElevenLabs TTS 的延迟与吞吐,适用于 TTS 响应缓慢的场景。主要通过模型选择、流式策略、音频格式调优和缓存实现。

主要能力:

  1. 模型选择:eleven_flash_v2_5(约 75ms,实时聊天、IVR、游戏)、eleven_turbo_v2_5(约 150ms,均衡)、eleven_multilingual_v2(约 300ms,旁白)、eleven_v3(约 500ms,最高表现力)。
  2. 输出格式:mp3_22050_32(约 4KB/s,流式/移动)、mp3_44100_128(约 16KB/s,下载)、pcm_16000、pcm_44100、ulaw_8000(电话/IVR)。
  3. HTTP 流式:用 client.textToSpeech.stream() 替代 .convert(),边生成边写入响应,约减半首字节时间;voice_settings 中 style 设为 0.0 可再降 10–20%。
  4. WebSocket 流式:适合文本增量到达(如 LLM token 流),用 stream-input,sendText() 分块发送,调 chunk_length_schedule。
  5. 音频缓存:按 SHA-256(voiceId:modelId:text) 键做 LRU 缓存,重复内容延迟减少约 99%。
  6. 并行生成:用 p-queue,并发数匹配套餐请求上限。

使用方式:需安装 @elevenlabs/elevenlabs-js,导出 ELEVENLABS_API_KEY,并具备音频播放基础设施。

适用场景:实时 IVR、LLM 语音智能体、有声书批量生成等。

限制:并发超过套餐上限会返回 429;缓存过大有内存压力;WebSocket 断连需重连并缓冲文本。后续成本优化见 elevenlabs-cost-tuning 技能。