ElevenLabs bringt neun Text-to-Speech- und zwei Speech-to-Text-Modelle zu OpenRouter

Zwei neue Endpunkte, ein API-Key

Entwickler erreichen die ElevenLabs-Modelle über zwei Endpunkte: POST /api/v1/audio/speech für die Sprachgenerierung und POST /api/v1/audio/transcriptions für die Transkription. Beide nutzen einen OpenRouter-API-Key. Laut OpenRouter gilt für alle ElevenLabs-Modelle bis zum 19. Oktober, 8 Uhr PT, für sämtliche Kunden ein Rabatt von 50 % auf den Listenpreis.

Zum Start gehören Eleven v4 für ausdrucksstarke Erzählstimmen, Eleven v4 Turbo für schnellere gesprochene Antworten und Scribe v2 für Transkripte mit Sprecherkennzeichnung. OpenRouter weist darauf hin, dass Realtime-Scribe-v2 über WebSocket nicht Teil dieses Starts ist.

Welches Modell für welche Aufgabe

OpenRouter empfiehlt, mit drei Modellen zu beginnen. Eleven v4 zielt auf Erzählungen, Charaktere und Produktvideos, bei denen sich der Vortrag über Audio-Tags wie [whispering] und [laughing] direkt im Skript steuern lässt. Eleven v4 Turbo ist für Sprachagenten und Live-Antworten gedacht. Laut OpenRouter hat ElevenLabs es für den Echtzeiteinsatz entwickelt, und es kostet die Hälfte des v4-Tarifs. Scribe v2 übernimmt Transkripte, Meeting-Notizen und Untertitel, mit Sprecherkennzeichnung und Zeitstempeln pro Wort.

Die übrigen Text-to-Speech-Modelle decken engere Einsatzbereiche ab:

• Eleven v3: ausdrucksstarke Erzählstimme mit Audio-Tags, bis zu 5.000 Zeichen pro Anfrage.
• Eleven v3 Conversational: Dialoge im Wechselgespräch zum halben v3-Tarif.
• Eleven Multilingual v2: stabiles Langform-Audio in vielen Sprachen, mit Geschwindigkeitsregelung, bis zu 10.000 Zeichen.
• Eleven Flash v2.5: schnelle, günstige mehrsprachige Sprachausgabe bei hohem Volumen, mit 32 Sprachen und bis zu 40.000 Zeichen pro Anfrage.
• Eleven Flash v2: schnelle Sprachausgabe nur für Englisch, bis zu 30.000 Zeichen.
• Eleven Turbo v2.5 und v2: Low-Latency-Modelle der ersten Generation, inzwischen von Flash abgelöst.

Eleven v4 und Eleven v4 Turbo akzeptieren jeweils bis zu 10.000 Zeichen pro Anfrage. Bei den Preisen rechnen Eleven v4, v3 und Multilingual v2 den vollen Preis pro Zeichen ab, während v4 Turbo, v3 Conversational, Flash und Turbo die Hälfte berechnen. Die aktuellen Preise stehen auf der jeweiligen Modellseite.

Auf der Transkriptionsseite deckt Scribe v2 mehr als 90 Sprachen ab und ergänzt Tags für Audioereignisse. Scribe v2 Medical ist auf medizinische Fachbegriffe abgestimmt und macht laut OpenRouter 35 % weniger Fehler bei klinischem Audio als Scribe v2. Beide Scribe-Modelle teilen sich dieselbe Anfragestruktur und denselben Preis pro Sekunde.

Eine Schritt-für-Schritt-Anleitung von der Erzählung zum Sprachagenten

Der Beitrag von OpenRouter baut in drei Schritten eine kleine Produkttour auf. Zuerst vertont Eleven v4 ein Skript. Der Parameter voice akzeptiert jede der 21 vorgefertigten ElevenLabs-Stimmen über ihren Namen, wobei die Groß- und Kleinschreibung keine Rolle spielt. Audio-Tags werden als Vortragsanweisungen gelesen und nicht gesprochen, zählen aber zu den abgerechneten Zeichen. Weil ein vollständiges Skript das Limit pro Anfrage überschreiten kann, teilt das Beispiel den Text an Absatzgrenzen. ElevenLabs-spezifische Einstellungen stehen unter provider.options.elevenlabs. Dort sorgen previous_text und next_text für eine gleichbleibende Intonation über die Schnittstellen hinweg, und ein fester Seed macht wiederholte Durchläufe besser reproduzierbar.

Zweitens verkettet ein Sprachagent drei Modelle: Scribe v2 transkribiert die Frage, ein Chatmodell antwortet, und Eleven v4 Turbo spricht die Antwort. Das Beispiel nutzt openai/gpt-5-mini, doch laut OpenRouter lässt sich jedes Chatmodell aus dem Katalog einsetzen, ohne die Audio-Aufrufe anzufassen. Die Transkriptionsantwort ist JSON mit dem Text und einem usage-Objekt, das die Audiosekunden und die Kosten in Dollar ausweist.

Drittens macht Scribe v2 aus der Aufnahme eines Teammeetings Notizen mit Sprecherkennzeichnung. Die Anfrage lädt die Datei als Multipart hoch, verlangt verbose_json mit Wort-Zeitstempeln und setzt diarize unter provider.options.elevenlabs. Jedes Wort trägt dann einen Sprecher, und die Übergabe von num_speakers kann die Aufteilung verbessern, wenn die Teilnehmerzahl bekannt ist. Jeder Worteintrag enthält word, start, end, confidence, speaker und speaker_label. Mit tag_audio_events kommen Einträge wie (laughter) hinzu. Die Redebeiträge können anschließend an ein Chatmodell gehen, das eine Zusammenfassung und Aufgaben erstellt.

Was das für Entwickler bedeutet

Für Teams, die Textmodelle bereits über OpenRouter routen, rücken Sprachgenerierung und Transkription damit hinter denselben API-Key und dieselbe Abrechnung. Eine komplette Sprachschleife aus Zuhören, Nachdenken und Sprechen lässt sich auf einer einzigen Plattform aufbauen, und das Chatmodell in der Mitte ist frei austauschbar. Der Rabatt von 50 % bis zum 19. Oktober senkt die Kosten für erste Tests, wobei OpenRouter für die aktuellen Preise pro Zeichen auf die einzelnen Modellseiten verweist.