ElevenLabs - GoModel

ElevenLabs ist ein reiner Sprach-Provider: Er stellt Text-to-Speech und Speech-to-Text hinter den Standard-Endpunkten /v1/audio/speech und /v1/audio/transcriptions bereit. Er hat keine Chat-, /responses- oder Embeddings-API, daher liefern diese Endpunkte für Modelle, die an ElevenLabs geroutet werden, invalid_request_error.

Konfiguration

ELEVENLABS_API_KEY=...

Oder in config.yaml:

providers:
  elevenlabs:
    type: elevenlabs
    api_key: "${ELEVENLABS_API_KEY}"
    # base_url ist standardmäßig "https://api.elevenlabs.io".

Stimmen sind IDs, keine Namen

Anders als bei den festen Stimmnamen von OpenAI (alloy, verse, …) gibt es bei ElevenLabs keine eingebauten benannten Stimmen – jede Stimme ist eine ID aus Ihrer ElevenLabs-Stimmbibliothek (eingebaut, geklont oder geteilt). Übergeben Sie diese ID im OpenAI-kompatiblen Feld voice:

{
  "model": "eleven_multilingual_v2",
  "input": "Hello there",
  "voice": "21m00Tcm4TlvDq8ikWAM"
}

Ihre verfügbaren Stimm-IDs finden Sie im ElevenLabs-Dashboard oder über Passthrough (sobald elevenlabs zu ENABLED_PASSTHROUGH_PROVIDERS hinzugefügt wurde) unter /p/elevenlabs/v2/voices – dem neueren Such-Endpunkt GET /v2/voices. /p/elevenlabs/v1/voices funktioniert derzeit nicht: Der Provider-Passthrough-Router von GoModel behandelt ein führendes v1/-Segment im Pfad als Alias für Provider, deren Base-URL bereits /v1 enthält (z. B. OpenAI), und entfernt es vor der Weiterleitung. Die Base-URL von ElevenLabs ist https://api.elevenlabs.io ohne /v1, daher liefert jeder /p/elevenlabs/v1/...-Passthrough-Aufruf derzeit 404. Das betrifft die gesamte native /v1-Oberfläche von ElevenLabs über Passthrough, nicht nur das Auflisten von Stimmen – siehe „Nicht implementiert“ weiter unten.

Unterstützte Sprachformate

response_format akzeptiert mp3 (Standard), opus, pcm und wav; jedes Format wird auf ein festes ElevenLabs-output_format abgebildet (mp3_44100_128, opus_48000_128, pcm_24000, wav_44100). aac und flac werden nicht unterstützt und liefern invalid_request_error. speed wird, falls gesetzt, auf den ElevenLabs-Stimmeinstellungsbereich 0.7-1.2 begrenzt (OpenAI akzeptiert 0.25-4.0); instructions wird nicht unterstützt.

Speech-to-Text-Modelle und Zeitstempel

Transkriptionsmodelle (scribe_v2, aktuell; scribe_v1, weiterhin gültig) bilden eine eigene Modellfamilie neben dem Text-to-Speech-Katalog und werden von der /v1/models-Liste von ElevenLabs nicht zurückgegeben – GoModel fügt sie selbst zur Ausgabe von /v1/models hinzu. response_format akzeptiert json (Standard), text und verbose_json; srt/vtt werden nicht unterstützt. Wenn Sie verbose_json oder word in timestamp_granularities anfordern, fragt GoModel bei ElevenLabs Zeitangaben auf Wortebene an und bildet sie auf das OpenAI-Array words ab. prompt wird nicht unterstützt.

Von ElevenLabs nicht unterstützt

Alle folgenden Optionen liefern invalid_request_error, statt die Option stillschweigend zu verwerfen:

Chat Completions, /v1/responses und Embeddings.
Speech-instructions sowie response_format-Werte außer mp3/opus/pcm/wav.
Transkriptions-prompt sowie response_format-Werte außer json/text/verbose_json.

Nicht implementiert

GoModel implementiert nur die beiden ElevenLabs-Funktionen, die sich auf OpenAI-kompatible Endpunkte abbilden lassen: Text-to-Speech und Speech-to-Text. Für alles andere, was ElevenLabs anbietet, gibt es in GoModel derzeit keine typisierte Unterstützung:

Speech-to-Speech (Voice Changer) – POST /v1/speech-to-speech/{voice_id} hat kein OpenAI-kompatibles Gegenstück, aus dem übersetzt werden könnte, daher gibt es dafür keinen typisierten Endpunkt. Es könnte künftig als nativer Passthrough-Pfad ergänzt werden, aber auch Passthrough funktioniert dafür derzeit nicht – siehe die oben beschriebene Einschränkung beim /v1-Alias; für Speech-to-Speech gibt es keinen /v2-Pfad, mit dem sich das umgehen ließe, daher ist es über GoModel aktuell überhaupt nicht erreichbar.
Dubbing, Voice Cloning/Design, Projekte (Studio) und Conversational AI (Agents) – aus demselben Grund: Es gibt kein OpenAI-kompatibles Format, in das übersetzt werden könnte, und (für die reinen /v1-Teile dieser APIs) gilt dieselbe Passthrough-Einschränkung. Sie sind sinnvolle Kandidaten für künftige native Passthrough-Unterstützung, sobald diese Einschränkung behoben ist.
Realtime-/Streaming-TTS und -STT (/v1/text-to-speech/{voice_id}/stream, WebSocket-Streaming) – /v1/audio/speech und /v1/audio/transcriptions von GoModel arbeiten synchron nach dem Request/Response-Prinzip; für ElevenLabs ist keine Streaming-Variante implementiert.

Nichts davon ist eine ElevenLabs-spezifische Abgrenzung gegen ausufernden Funktionsumfang – es spiegelt wider, dass die Audio-Oberfläche von GoModel bewusst an OpenAI ausgerichtet ist und die API von ElevenLabs deutlich größer ist als das TTS/STT-Paar von OpenAI.

​Konfiguration

​Stimmen sind IDs, keine Namen

​Unterstützte Sprachformate

​Speech-to-Text-Modelle und Zeitstempel

​Von ElevenLabs nicht unterstützt

​Nicht implementiert