核心用法
该技能提供 ElevenLabs 语音 API 的生产级集成指南，通过直接 HTTPS 调用（无需 SDK）实现：
- 文本转语音 (TTS)：支持多语言、多情感风格的高质量语音合成
- 语音转语音 (STS)：实时声音克隆与风格迁移
- 实时语音转文字：基于 WebSocket 的低延迟流式识别
- 多声线对话输出：自动生成多角色配音的对话场景
显著优点
1. 直连架构：绕过 SDK 依赖，减少包体积和版本冲突，适合边缘部署
2. 完整工作流：从认证、模型选择到安全输出的端到端指引
3. 生产导向：包含限流重试、服务端缓存、下游白名单等运维最佳实践
4. 灵活认证：支持 API Key 与一次性 Token 双模式，便于前后端分离架构
潜在局限
- 无 SDK 封装：需自行处理 HTTP 连接管理、流式响应解析和错误重试
- 功能边界明确：不包含对话式 Agent 的完整状态管理，仅聚焦音频 I/O
- Token 生命周期：一次性 Token 需要额外的签发服务，增加架构复杂度
- 实时性依赖网络：WebSocket STT 对网络质量敏感，弱网环境需降级策略
适合人群
- 需要将语音能力嵌入现有后端服务的开发者
- 追求最小依赖、可控资源占用的边缘/IoT 场景
- 已有音频处理管线，仅需替换合成/识别引擎的团队
- 对延迟敏感、需自定义音频编解码参数的高级用户
常规风险
| 风险项 | 说明 |
|--------|------|
| 密钥泄露 | API Key 硬编码或日志打印导致账户盗用 |
| 数据滞留 | 未启用 zero-retention 时敏感音频被存储 |
| 下游滥用 | 合成语音被用于深度伪造或欺诈，需白名单管控 |
| 成本失控 | 流式接口未设置用量上限导致超额计费 |
建议配合技能内 safety-and-privacy.md 的零留存策略与输出目的地管控使用。