Vercel добавил 14 моделей ElevenLabs в AI Gateway со скидкой 50% на 14 дней
Vercel добавил в AI Gateway 14 моделей ElevenLabs, и голосовое приложение теперь собирается через один API-ключ. Пользователь говорит, модель распознаёт речь, любая языковая модель пишет ответ, а голос ElevenLabs озвучивает его по мере генерации. До 9 ноября все эти модели в шлюзе стоят на 50% дешевле, так что сейчас удобно протестировать голос в продукте.
AI-обработка оригинала Vercel Blog; редакция Hamidun News
Голосовой интерфейс обычно обходится дороже, чем кажется на старте. Нужен один сервис для распознавания речи, второй для языковой модели, третий для озвучки, и у каждого свой ключ, свои счета и свои логи. Vercel предлагает убрать эту россыпь: в AI Gateway теперь доступны 14 моделей ElevenLabs, и все они работают через один API-ключ. В честь запуска до 9 ноября включительно на все модели ElevenLabs в шлюзе действует скидка 50%.
Что именно подключили
Моделей шесть типов. Распознавание речи (Scribe v2 и Scribe v2 Realtime) превращает голос в текст, в том числе пока человек ещё говорит. Потоковая озвучка (Eleven Flash v2.5, Flash v2, Multilingual v2, v3 Conversational) начинает проигрывать звук, пока языковая модель ещё дописывает ответ. Голосовые агенты (Eleven Realtime v1 Max и v1 Mini) ведут весь разговор в одной модели. Отдельно есть генерация музыки (Music v2.5 и v2), звуковых эффектов (Sound Effects v2) и озвучка диалогов с несколькими голосами (Eleven v4, v4 Turbo, v3).
Практическая польза в том, что все запросы попадают в те же отчёты по расходам, использованию и трассировке, что и остальной трафик через AI Gateway. Не нужно заводить отдельную учётку для звука и сводить счета вручную.
Два способа собрать голосового помощника
Первый способ — конвейер из трёх шагов. Возьмём пример из документации: пассажир спрашивает, успеет ли он на пересадку. Scribe v2 Realtime переводит речь в текст на лету, затем выбранная вами языковая модель (в примере это модель Anthropic из линейки Claude Haiku) сводит статус рейса и расстояние до выхода на посадку, а Eleven Flash v2.5 зачитывает ответ по мере его появления. Пользователь слышит начало фразы, не дожидаясь конца текста. Каждый шаг — отдельная модель, поэтому распознавание, «мозг» или голос можно заменить, не трогая остальной код.
Второй способ — одна модель на весь диалог. Eleven Realtime v1 Max и v1 Mini принимают аудио пользователя и отвечают голосом по единственной WebSocket-сессии. Отдельно подключать распознавание и озвучку не нужно. Это подходит для линии поддержки или ассистента внутри приложения, где важна естественная перебивка и живой темп: на вопрос «Можно ли поменять адрес доставки?» агент сразу отвечает «Помогу, назовите номер заказа».
Схема безопасности простая: сервер только выдаёт короткоживущий токен для выбранной модели, а браузер сам открывает соединение. Так API-ключ не попадает на клиент. На фронтенде есть хук useRealtime из @ai-sdk/react, который берёт на себя микрофон, соединение и воспроизведение. Из важных деталей: Realtime-модели определяют конец реплики только через семантическое определение паузы (semantic-vad), режим server-vad они не поддерживают.
Музыка, эффекты и диалоги
Music v2.5 и v2 по текстовому описанию собирают готовый трек нужной длины, с вокалом или без. Можно задать жанр, настроение, инструменты, а для большего контроля описать песню по секциям, у каждой свой стиль и длина. Sound Effects v2 делает то же для коротких звуков: шаги, хлопок двери, дождь, который зациклен под игровым уровнем. В коде это тот же вызов generateSpeech, только вместо текста для чтения передаётся описание звука, например «спокойный lo-fi бит с мягким пианино» на 30 секунд.
Модели Eleven v4, v4 Turbo и v3 озвучивают сценарий с несколькими героями за один запрос. Каждой реплике назначается голос, смена голоса начинает новый ход, а на выходе получается одна непрерывная запись. Для подкаста с двумя ведущими или сцены с полным составом не нужно склеивать десятки отдельных клипов.
Цена и на что обратить внимание
По заявлению Vercel, AI Gateway показывает цены провайдеров без наценки и не берёт платформенную комиссию за инференс, в том числе при использовании собственного ключа (BYOK). Есть повторные попытки, переключение на запасной вариант, бюджеты для ключей, правила маршрутизации и поддержка Zero Data Retention.
Ограничения тоже есть. Часть функций в SDK помечена как experimental (например, streamSpeech и streamTranscribe), поэтому интерфейс может поменяться. Скидка временная, а о задержках и качестве по сравнению с прямым подключением к ElevenLabs Vercel данных не публикует. Тем, кто уже платит ElevenLabs напрямую, стоит сравнить итоговые счета.
Вывод для практика: если вы делаете голосового ассистента, бота поддержки или игру со звуком, эти две недели — недорогой способ проверить гипотезу. Прототип можно собрать за вечер в одном SDK, а решение о постоянной схеме принять после сравнения задержек и стоимости на реальных разговорах.
- 21 нояб. 2026 г.Разработчик поручил Claude поставить 900 приложений и собрал бесплатный чистильщик Mac
- 21 нояб. 2026 г.Apple готовит ИИ-агента и усложнила доступ чужим: разрешение теперь в 14 шагов, а не в 4
- 21 нояб. 2026 г.Qwen3-0.6B дообучили на Mac mini: ошибок в ответах стало 3 из 30 вместо 9
- 21 нояб. 2026 г.Программист перестал быть диспетчером ИИ-агентов: рутину передач взял Multica
Вопросы и ответы по материалу
Что известно по теме: что именно подключили?
Моделей шесть типов. Распознавание речи (Scribe v2 и Scribe v2 Realtime) превращает голос в текст, в том числе пока человек ещё говорит. Потоковая озвучка (Eleven Flash v2.5, Flash v2, Multilingual v2, v3 Conversational) начинает проигрывать звук, пока языковая модель ещё дописывает ответ. Голосовые агенты (Eleven Realtime v1 Max и v1 Mini) ведут весь разговор в одной модели.
Что известно по теме: два способа собрать голосового помощника?
Первый способ — конвейер из трёх шагов. Возьмём пример из документации: пассажир спрашивает, успеет ли он на пересадку. Scribe v2 Realtime переводит речь в текст на лету, затем выбранная вами языковая модель (в примере это модель Anthropic из линейки Claude Haiku) сводит статус рейса и расстояние до выхода на посадку, а Eleven Flash v2.5 зачитывает ответ по мере его появления. Пользователь слышит начало фразы, не дожидаясь конца текста.
Что известно по теме: музыка, эффекты и диалоги?
Music v2.5 и v2 по текстовому описанию собирают готовый трек нужной длины, с вокалом или без. Можно задать жанр, настроение, инструменты, а для большего контроля описать песню по секциям, у каждой свой стиль и длина. Sound Effects v2 делает то же для коротких звуков: шаги, хлопок двери, дождь, который зациклен под игровым уровнем. В коде это тот же вызов generateSpeech, только вместо текста для чтения передаётся описание звука, например «спокойный lo-fi бит с мягким пианино» на 30 секунд.
Внедряйте ИИ быстрее рынка вместе с инженерами и фаундерами
Внутри Vibe Club (hamidun.com/club): еженедельные живые мастермайнды и разборы архитектуры с Жемалом Хамидуном, закрытый Tech Radar, LMS и обновляемая база из 370+ боевых скиллов.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.