ElevenLabs Text to Dialogue : créer un dialogue avec plusieurs voix IA (2026)
Pour créer une conversation audio avec ElevenLabs, préparez des interventions courtes, assignez une voix à chaque personnage et choisissez le mode Dialogue avec Eleven v4 ou v3. Les balises d'émotion et la ponctuation guident l'interprétation. En API, le maximum est de 10 identifiants de voix distincts par requête, avec 2 000 caractères recommandés.
Créer un dialogue multi-voix avec ElevenLabs : le principe
Text to Dialogue permet de transformer un script écrit en une conversation audio dans laquelle les personnages possèdent chacun leur propre voix. Contrairement à une voix off continue, les échanges peuvent intégrer des réactions, des interruptions et des changements de ton. Cette fonction convient notamment à une scène de fiction, un podcast scénarisé, un cours dialogué ou une démonstration audio.
Le mode Dialogue est disponible avec Eleven v4 et Eleven v3. ElevenLabs recommande actuellement Eleven v4 pour ses générations récentes. Vous pouvez utiliser plusieurs voix directement sur le site ElevenLabs ou passer par l'API pour automatiser la production. Ce guide explique d'abord le parcours sans programmation, puis les points utiles à ceux qui développent leur propre application.
Les exemples de conversation présentés ici sont fictifs et n'ont pas été générés ou écoutés dans un compte ElevenLabs par Claim26. Ils servent à préparer un script et à comprendre les réglages documentés par l'éditeur au 7 novembre 2026.
Quelle différence avec Text to Speech, Voice Changer et ElevenAgents ?
Text to Speech classique transforme du texte en parole avec une voix sélectionnée. Le mode Dialogue utilise plusieurs interventions associées à des voix différentes et tient compte du contexte des échanges. Il ne suffit pas de coller deux répliques dans une longue narration monovoix pour obtenir le même résultat.
Voice Changer modifie une interprétation audio déjà enregistrée. Text to Dialogue part essentiellement d'un texte. ElevenAgents, de son côté, orchestre une conversation interactive avec reconnaissance de la parole et un modèle de langage. Un dialogue généré à l'avance n'est donc pas un agent capable de répondre librement à un interlocuteur.
Si votre objectif est de raconter une vidéo avec un seul narrateur, notre guide de création d'une voix off ElevenLabs reste plus approprié. Si vous souhaitez une scène pré-écrite avec plusieurs personnages, poursuivez avec Text to Dialogue.
Le dialogue multi-voix est-il disponible gratuitement ?
ElevenLabs propose un accès gratuit à certaines fonctions de synthèse vocale, mais l'accès exact aux modèles, le nombre de crédits, les options d'export et les droits commerciaux dépendent du forfait courant. Ne considérez pas qu'une démonstration gratuite vous autorise automatiquement à utiliser un dialogue dans une vidéo monétisée.
La documentation officielle précise que la propriété de l'audio généré reste à l'utilisateur, mais que les droits d'utilisation commerciale des générations nécessitent un forfait payant, ainsi que les droits nécessaires sur le texte et les voix. Consultez les conditions affichées dans votre espace avant d'engager un projet pour un client.
Les essais, promotions et prix peuvent changer. Il est plus prudent de vérifier les crédits consommés par une première scène courte plutôt que de prévoir un long podcast en se fondant sur une ancienne grille tarifaire.
Étape 1 — Écrire un dialogue plutôt qu'une succession de monologues
Commencez par une situation compréhensible et une intention par personnage. Dans notre exemple, deux collègues organisent le lancement d'un podcast. L'une souhaite publier dès vendredi ; l'autre demande davantage de temps pour vérifier la bande-son. Le conflit est léger, mais suffisant pour créer des réactions naturelles.
Découpez les interventions : une réplique doit correspondre à un personnage et à une intention vocale. Lorsque la même voix doit reprendre la parole plus tard, réutilisez sa voix plutôt que de créer un nouveau personnage. La ponctuation doit aider à comprendre les interruptions, les hésitations et les phrases inachevées.
Un texte de démonstration très court est préférable à un scénario de cinq minutes pour le premier essai. Vous pourrez ainsi identifier précisément les problèmes de rythme et de prononciation, sans régénérer un enregistrement entier.
Étape 2 — Choisir deux voix qui se distinguent clairement
Ouvrez le catalogue de voix ElevenLabs et écoutez plusieurs exemples dans la langue visée. Pour un dialogue en français, privilégiez des voix dont l'accent et le débit correspondent au contexte. Deux timbres légèrement différents mais tous deux très graves peuvent être plus difficiles à distinguer qu'une voix posée et une voix vive.
Le catalogue comprend des voix partagées par la communauté, des voix conçues par description et des voix clonées selon les offres. Une voix créée ou clonée ne doit pas imiter une personne identifiable sans autorisation. Les voix disponibles et les droits de diffusion associés peuvent varier.
Pour la scène pédagogique, associez une voix A à Camille et une voix B à Alex. Réutilisez exactement ces associations pour chaque prise de parole : cela permet à l'auditeur de suivre la conversation sans narrateur supplémentaire.
Étape 3 — Ouvrir Text to Speech et utiliser plusieurs intervenants
Dans le tableau de bord ElevenLabs, ouvrez Text to Speech et préparez vos répliques. Le centre d'aide indique que le mode Dialogue apparaît lorsque plusieurs intervenants sont utilisés sur le site. Les menus et les commandes d'ajout de voix peuvent évoluer avec les mises à jour de l'interface.
Attribuez à chaque réplique la voix du personnage correspondant. Conservez l'ordre naturel de la conversation : Camille parle, Alex répond, Camille reprend. Relisez les associations avant de lancer la génération afin d'éviter qu'une intervention soit prononcée par la mauvaise voix.
Ne confondez pas le choix d'une voix avec une simple étiquette de personnage dans votre script. L'important est l'association effective entre la portion de texte et la voix sélectionnée dans le mode multi-intervenants.
Étape 4 — Choisir Eleven v4 ou Eleven v3
ElevenLabs documente Text to Dialogue avec les modèles Eleven v4 et Eleven v3 et recommande v4. Celui-ci est conçu pour une synthèse vocale expressive, y compris des conversations naturelles. Il prend en charge plus de 90 langues selon la documentation actuelle ; v3 en prend en charge plus de 70.
Pour commencer, sélectionnez v4 si la fonction et votre formule le permettent. Si vous réutilisez un projet antérieur en v3, comparez quelques interventions avant de convertir tout le travail. Un modèle plus récent ne garantit pas que chaque voix et chaque accent produiront automatiquement un résultat plus convaincant.
Dans l'API, indiquez explicitement le modèle attendu : la référence du point de terminaison mentionne encore eleven_v3 comme valeur par défaut lorsque model_id est omis. Il faut donc renseigner eleven_v4 pour être sûr de demander v4 lorsque ce modèle est disponible.
Étape 5 — Rédiger les répliques avec une ponctuation naturelle
Une conversation écrite pour être lue à l'oral n'a pas toujours la même forme qu'un paragraphe de blog. Utilisez des phrases assez courtes, une transition logique entre les personnages et une ponctuation correspondant à leur intention. Les tirets et les points de suspension peuvent suggérer des interruptions ou une hésitation, mais ils ne fixent pas une durée exacte.
Exemple inventé : Camille dit « On pourrait enregistrer vendredi, non ? » Alex répond « Vendredi ? Il nous manque encore l'introduction. » Puis Camille reprend « On peut la finir demain... si tu veux. » Chaque intervention contient une intention qui peut guider la façon de parler.
Évitez les changements de sujet abrupts uniquement pour provoquer des effets spectaculaires. Si l'auditeur ne comprend pas pourquoi un personnage s'interrompt, le modèle peut produire un rendu expressif mais narrativement artificiel.
Étape 6 — Ajouter des émotions avec les audio tags
Eleven v4 et v3 acceptent des indications entre crochets pour guider l'interprétation : par exemple [whispering] pour demander un chuchotement, [laughs] pour suggérer un rire ou [sighs] pour un soupir. Ces balises sont des instructions d'interprétation, pas des mots que le personnage est censé prononcer.
Dans une conversation multi-voix, placez la balise dans la réplique du personnage concerné. Ainsi, Camille pourrait commencer par « [cheerfully] J'ai trouvé notre invité ! », puis Alex répondre « [surprised] Déjà ? ». Les balises ne remplacent pas la sélection de voix : elles agissent sur la façon de parler de chaque voix.
Le comportement reste probabiliste. Une balise peut être ignorée, exagérée ou produire une réaction différente de celle attendue. Pour une utilisation simple et stable, commencez par un petit nombre de tags puis affinez seulement les passages qui posent problème.
Exemple pratique : un dialogue à deux personnages prêt à adapter
Voici un scénario écrit spécialement comme exemple pédagogique. Les répliques ne constituent pas un audio réellement produit ou testé. Copiez-les dans votre projet en attribuant la voix A à Camille et la voix B à Alex. Commencez sans musique et conservez le texte exact jusqu'à avoir écouté une première version.
Camille (voix A) : « [cheerfully] Notre premier épisode est presque prêt ! » Alex (voix B) : « Presque ? On n'a toujours pas vérifié le générique. » Camille (voix A) : « Je pensais qu'on pouvait le régler ce soir. » Alex (voix B) : « [sighs] D'accord... mais je veux réécouter le début. » Camille (voix A) : « Ça marche. Je prépare une version pour nous deux. »
Ce mini-dialogue teste plusieurs difficultés à la fois : alternance de voix, surprise, soupir et rythme d'une réponse. Si le résultat manque de naturel, simplifiez d'abord une intention plutôt que d'ajouter cinq nouvelles balises.
Comment produire une interruption sans perdre la compréhension ?
Une interruption peut se préparer dans le texte. Par exemple, Camille commence « Je voulais simplement te propos- » et Alex intervient « Une nouvelle date ? ». Le tiret final indique que la phrase est coupée, tandis que l'arrivée immédiate de la réponse suggère la dynamique recherchée.
Le modèle interprète cette ponctuation et le contexte, sans garantie de reproduire la même durée ou le même chevauchement à chaque génération. Si une coupure très précise est indispensable pour un montage vidéo, vous devrez peut-être ajuster les pistes audio dans un éditeur externe après génération.
Ne surchargez pas chaque tour de parole d'interruptions. Une conversation se comprend mieux lorsque les changements de rythme servent une situation concrète plutôt qu'un effet décoratif constant.
Peut-on créer un dialogue à trois, quatre ou dix voix ?
Oui, le principe de Text to Dialogue est de réunir plusieurs locuteurs. La page de présentation générale explique qu'il n'y a pas de plafond fixe au nombre de prises de parole d'un dialogue. Mais cela ne signifie pas que l'API autorise un nombre infini de voix distinctes dans une seule requête.
La référence actuelle de l'API Create Dialogue impose au maximum dix identifiants de voix uniques par requête. Un script peut contenir davantage de répliques en réutilisant ces voix. La distinction entre nombre de tours de parole et nombre de voix distinctes évite des erreurs de préparation.
Pour une courte scène, deux ou trois personnages suffisent généralement à éprouver le rendu. Avant de produire un scénario comportant de nombreux figurants, vérifiez combien de voix doivent réellement être identifiables et si certaines interventions peuvent être regroupées.
Différence entre génération sur le site et Text to Dialogue API
Le site ElevenLabs convient pour écrire un dialogue, choisir plusieurs voix et écouter le résultat sans programmer. L'API s'adresse aux développeurs qui souhaitent envoyer une liste structurée de répliques, chacune avec du texte et un voice_id, puis récupérer automatiquement un fichier audio.
Dans l'API, chaque intervention représente un objet avec au moins un champ text et l'identifiant de la voix qui doit la prononcer. L'ordre des objets détermine le déroulement du dialogue. La requête peut aussi préciser model_id et le format de sortie, selon le point de terminaison.
Les fonctionnalités ne sont pas strictement identiques : les effets d'ambiance audio appliqués à l'ensemble d'un dialogue sont documentés via le paramètre audio_effects de l'API, plutôt que comme un bouton équivalent dans le mode Dialogue du site.
Limiter la longueur : pourquoi viser 2 000 caractères par requête API ?
Pour une génération fiable dans l'API, la documentation ElevenLabs recommande de limiter à 2 000 caractères le total des textes de toutes les répliques d'une requête. Il s'agit bien de la somme des champs inputs[].text, et non de 2 000 caractères autorisés séparément pour chaque personnage.
Un script plus long peut être découpé en plusieurs scènes, puis assemblé dans une application ou un outil de montage. Préparez une petite continuité sonore entre les scènes et vérifiez que les voix restent cohérentes. Un changement de contexte ou de modèle au milieu d'un épisode peut créer une différence audible.
Cette recommandation concerne ici la génération de dialogue via l'API. Ne la confondez pas avec les plafonds de caractères annoncés pour d'autres modes Text to Speech ou pour certains abonnements : les parcours n'ont pas nécessairement les mêmes limites.
Créer un dialogue par API : exemple du format des interventions
La documentation officielle propose un exemple Python avec le SDK ElevenLabs et la méthode client.text_to_dialogue.convert. Pour le reproduire, il faut disposer d'une clé API autorisée, la stocker dans une variable d'environnement et installer les bibliothèques nécessaires. Ne publiez jamais la clé dans le navigateur ou un dépôt public.
Le principe est d'envoyer une liste d'interventions : une première avec text contenant « Bonjour, tu es prêt ? » et voice_id correspondant à Camille ; une deuxième contenant « Oui, commençons ! » et voice_id correspondant à Alex. Ajoutez model_id avec eleven_v4 si vous souhaitez utiliser cette version plutôt que la valeur par défaut de l'API.
Cet article ne fournit pas un programme prétendument exécuté sur des crédits réels. Pour le code complet, les options et la gestion des réponses, utilisez le guide officiel Text to Dialogue quickstart ; le guide Claim26 sur l'API ElevenLabs explique séparément les précautions de clé secrète et de facturation.
Régénérer une scène : ce qui peut être gratuit et ce qui ne l'est pas
Une génération peut présenter une erreur d'accent, un rire mal placé ou une voix qui change légèrement d'intonation. ElevenLabs indique que le résultat est non déterministe : deux requêtes similaires ne produisent pas nécessairement une interprétation audio identique.
Le centre d'aide décrit jusqu'à deux régénérations gratuites par génération pour le même contenu et les mêmes paramètres, uniquement dans le tableau de bord. Changer le texte, la voix ou les réglages peut déclencher une nouvelle génération payante. Ce dispositif ne doit pas être présenté comme une possibilité générale de régénération gratuite via l'API.
Pour réduire les essais inutiles, identifiez le passage réellement problématique et modifiez-le de façon ciblée. Conservez l'enregistrement choisi plutôt que de relancer automatiquement toute la scène à chaque petite hésitation.
Peut-on ajouter une ambiance de café, de téléphone ou de salle ?
Le paramètre audio_effects de l'API Text to Dialogue peut appliquer une ambiance à toute la conversation. Il peut s'agir d'un filtre de téléphone, d'un espace réverbérant ou de bruits d'environnement. Ces effets ne changent pas la voix assignée à un personnage, mais modifient l'ambiance sonore globale.
ElevenLabs précise que ces effets appliqués au dialogue passent par l'API. La présence d'un bouton d'effets dans l'interface Text to Speech ne signifie pas automatiquement que les mêmes commandes sont exposées pour le mode multi-voix sur le site.
Une ambiance discrète peut servir un podcast narratif, mais elle risque aussi de nuire à la compréhension des mots. Préparez d'abord un dialogue intelligible sans effet, puis comparez la version avec ambiance en tenant compte du niveau de volume et des auditeurs équipés de petits haut-parleurs.
Quel format audio choisir pour télécharger le dialogue ?
La documentation Text to Dialogue indique MP3 comme format de réponse par défaut de l'API. D'autres formats, dont PCM, μ-law et Opus, sont proposés selon les paramètres et options accessibles. Les variantes haute qualité peuvent dépendre de l'offre payante.
Pour un épisode audio destiné à être partagé, MP3 constitue un format courant, mais le meilleur choix dépend du montage, de la diffusion et de la qualité souhaitée. Si vous devez effectuer une postproduction complexe, examinez aussi les formats non compressés proposés, sans supposer que chacun est accessible dans tous les forfaits.
Après génération, vérifiez la lecture du fichier complet. Une bonne préécoute de trois secondes ne garantit pas l'absence d'artefacts sur les dernières répliques, surtout lorsqu'un script a été découpé en plusieurs requêtes.
Droits commerciaux, clonage et consentement : trois points à contrôler
ElevenLabs indique que l'utilisateur conserve la propriété de l'audio généré, mais que l'exploitation commerciale exige un abonnement payant compatible et les droits nécessaires sur le contenu d'entrée. Une voix synthétique disponible dans un outil n'autorise pas nécessairement l'imitation d'une personne réelle ou la réutilisation de n'importe quel texte protégé.
Si vous créez une conversation fictive, utilisez votre propre script ou des textes que vous êtes autorisé à adapter. Pour une voix clonée, vérifiez le consentement du titulaire de la voix et les conditions de la plateforme. Évitez de présenter un audio fictif comme l'enregistrement réel d'un échange ou comme la parole authentique d'une personne identifiable.
Pour une diffusion en podcast, publicité ou formation payante, conservez une trace du forfait et des autorisations au moment de la production. Ces précautions sont plus importantes que la seule possibilité technique de télécharger un MP3.
Erreurs fréquentes : voix inversées, script trop long et dialogue artificiel
La première erreur consiste à attribuer la mauvaise voix à une réplique. La deuxième est de mélanger les étiquettes de personnages dans le texte parlé et les véritables choix de voix : si « Alex : » reste dans une phrase prononcée, le moteur peut lire ces mots au lieu de les interpréter comme une indication d'acteur.
Une troisième erreur est de dépasser la longueur recommandée de 2 000 caractères pour une requête de dialogue API, puis d'interpréter une sortie tronquée comme un problème de licence. Une quatrième est d'utiliser trop de balises d'émotion : le modèle peut alors exagérer des réactions sans servir la scène.
Enfin, ne supposez pas qu'un script long sera systématiquement cohérent d'une génération à l'autre. Écoutez la continuité des accents, comparez les versions et contrôlez le montage final avant publication.
FAQ sur ElevenLabs Text to Dialogue
Peut-on générer un échange en français ? Oui : Eleven v4 prend en charge plus de 90 langues, dont le français, et les voix choisies doivent convenir à la langue. Peut-on utiliser v3 ? Oui, le mode Dialogue existe aussi avec Eleven v3, mais l'éditeur recommande aujourd'hui v4.
Peut-on créer une discussion avec dix personnages ? L'API documente au maximum dix voice_id distincts par requête ; les mêmes voix peuvent intervenir plusieurs fois. Est-ce un agent conversationnel en direct ? Non : pour répondre en temps réel à une personne, examinez plutôt ElevenAgents et ses fonctions interactives.
Comment faire rire un personnage ? Placez une balise telle que [laughs] dans la réplique correspondante ; le résultat peut varier. L'audio est-il automatiquement libre d'utilisation commerciale ? Non, les conditions d'abonnement et les droits sur les contenus et les voix restent essentiels.
Conclusion : réussir la conversation avant de multiplier les effets
Le mode Text to Dialogue est particulièrement utile lorsqu'une scène demande plusieurs identités vocales et un vrai échange entre personnages. L'étape décisive consiste à écrire des répliques courtes, attribuer chaque voix correctement, choisir un modèle adapté et écouter l'ensemble avant de le publier.
Commencez avec deux personnages et cinq interventions. Ajoutez ensuite les émotions, interruptions et éventuels effets d'ambiance uniquement lorsqu'ils améliorent la compréhension. Pour une génération automatisée, tenez compte des dix voix uniques et des 2 000 caractères recommandés par requête API.
Pour découvrir les options disponibles sur votre compte, consultez ElevenLabs via le lien partenaire Claim26. Le site peut percevoir une commission sur une souscription éligible, sans surcoût annoncé pour vous. Aucun test payant ni résultat audio réel n'est revendiqué dans cet article.
Vérifiez ces quatre signaux.
✓Une voix différente et cohérente attribuée à chaque personnage
✓Un scénario court avec des interventions clairement séparées
✓Eleven v4 choisi explicitement en API plutôt que la valeur par défaut v3
✓Différence vérifiée entre dix voix API et nombre de prises de parole
✓Droits commerciaux et consentement contrôlés avant diffusion
Le moyen le plus fiable de choisir est de tester une tâche réelle.
Utilisez un cas représentatif avant de déplacer tout votre système ou de payer pour plus de capacité.
Les points sensibles sont recoupés avant publication.
Les prix et fonctions logicielles peuvent évoluer. Les sources ci-dessous permettent de contrôler les informations qui influencent la décision.
