用 webhook 做带记忆的语音聊天，声音来自 ElevenLabs

用 webhook 做带记忆的语音聊天，声音来自 ElevenLabs

一个带 webhook、接收语音提问的 n8n 工作流。你发一段录音，OpenAI 把它转成文字，Gemini 带着之前的对话回答，ElevenLabs 把回答读出来。回复是一个音频文件。

包里有什么

• workflow.json：n8n 导出的工作流，11 个节点和四张便签。里面没有任何凭据。
• README.md：这份设置说明，压缩包里的是英文版。

我们相对原来的副本改了什么

• ElevenLabs Generate Audio 的地址末尾原来是文字 {{voice id}}，前面还有一个等号。n8n 把它当成表达式，在你替换之前会拒绝它。现在地址是纯文本，以 <YOUR_VOICE_ID> 结尾。
• Google Gemini Chat Model 原来调用 models/gemini-1.5-flash，Google 已不再列出这个模型。现在它调用 models/gemini-3.6-flash。
• Window Buffer Memory 原来用一长串测试字符串作会话键，现在键是 voice-chat。
• 关于 ElevenLabs 的便签重写过，里面写的是 <YOUR_ELEVENLABS_KEY>。
• 原来的副本是在开启状态下导出的，这一份在你点 Publish 之前是关着的。
• 两个节点名里的“ - ”去掉了：OpenAI - Speech to Text 现在叫 OpenAI Speech to Text，ElevenLabs - Generate Audio 现在叫 ElevenLabs Generate Audio。

开始之前

• 一个调用方能访问到地址的 n8n 实例。n8n Cloud 可以，你自己放在公网上的服务器也可以。
• 一个 OpenAI API 密钥，用于语音转文字。
• 一个 Gemini API 的 Google AI Studio 密钥。
• 一个 ElevenLabs 账号、它的 API 密钥，以及声音库里一个声音的 ID。
• 能把录音作为表单上传发出去的东西，比如网页、应用或脚本。

设置

1. 在 n8n 里新建一个工作流，打开它的菜单，选 Import from File，选中 workflow.json。
2. 添加 OpenAI 凭据，在 OpenAI Speech to Text 里选中它。
3. 添加 Google Gemini (PaLM) API 凭据，填入你的密钥，在 Google Gemini Chat Model 里选中它。
4. 给 ElevenLabs 添加一个 Custom Auth 凭据。它的 JSON 把你的密钥放在请求头里：

{
  "headers": {
    "xi-api-key": "<YOUR_ELEVENLABS_KEY>"
  }
}

1. 在 ElevenLabs Generate Audio 里选中这个凭据，位置在 Generic Credential Type 和 Custom Auth 下。在同一个节点里，把地址末尾的 <YOUR_VOICE_ID> 换成你的声音 ID。
2. 保存，打开 Webhook，点 Listen for test event。向它的测试地址发一段简短的录音。下面这条命令会发送并把回答存下来：

curl -X POST -F "voice_message=@question.mp3" "<TEST ADDRESS>" --output answer.mp3

1. 点 Publish，之后用正式地址。

一次运行的过程

1. Webhook 在路径 voice_message 上接收 POST。它等一个节点来回复，所以调用方在同一次调用里就能拿到音频。
2. OpenAI Speech to Text 转写表单字段 voice_message 里的文件。OpenAI 接受 flac、mp3、mp4、mpeg、mpga、m4a、ogg、wav 或 webm，节点发送的模型是 whisper-1。
3. Get Chat 从 Window Buffer Memory 读出已存的消息。Aggregate 把它们汇成一个列表 context。
4. Basic LLM Chain 把转写文字发给 Google Gemini Chat Model。它前面有一条消息，要求模型先读之前的对话，并把对话列成 Human: 和 AI Assistant: 几行。
5. Insert Chat 往记忆里加两条消息：转写文字作为用户的话，回答作为 AI 的话。
6. Limit 只留第一项。这个版本的 Insert Chat 会把所有已存的消息各作为一项发回来，所以没有 Limit 的话，下一个节点会对每一项各运行一次。
7. ElevenLabs Generate Audio 把回答文字发给 ElevenLabs 的文字转语音端点，使用你的声音。
8. Respond to Webhook 把收到的第一个二进制文件发回给调用方。

改变风格

• 声音：ElevenLabs Generate Audio 里的 <YOUR_VOICE_ID>。
• 朗读模型：在那里再加一个请求体参数 model_id。没给的时候，ElevenLabs 用 eleven_multilingual_v2。
• 助手的性格：Basic LLM Chain 里的消息。它现在只有一句“先读之前的对话”，所以把你想要的角色加进去。
• 回答用的模型：Google Gemini Chat Model 里的 models/gemini-3.6-flash。
• 对话：Window Buffer Memory 里的 voice-chat。换一个键，就是另一段独立的记录。

注意事项

• Google 的弃用页面（2026 年 11 月 12 日查阅）没有列出 gemini-1.5-flash，它的模型页面也没有任何 Gemini 1.5 模型。弃用页面把 gemini-3.6-flash 指定为 2.0 flash 系列的替代，模型页面把它标为稳定版。
• OpenAI Speech to Text 没有模型设置，发送的是 whisper-1。OpenAI 的弃用页面（2026 年 11 月 12 日查阅）把 whisper-1 列为 2027 年 2 月 26 日关停，替代是 gpt-live-transcribe 或 gpt-transcribe。到那以后，把这个节点换成发给 OpenAI 转写端点的 HTTP Request。
• 每个调用方共用一段对话，因为会话键是固定的。想把调用方分开，就用请求里带的某个东西来生成这个键。
• 记忆存在 n8n 进程里。n8n 会在一小时没人用之后丢掉一段记录，重启则会全部清空。
• Basic LLM Chain 在某条记录没有人类或 AI 文字的地方写 undefined，所以新会话里可能看到它。
• webhook 没有认证。任何拿到地址的人都能发起一次花你三个账号的调用，所以要打开 webhook 自带的认证，或者别公开这个地址。
• OpenAI 按录音计费，Google 按回答计费，ElevenLabs 按朗读的字符数计费。
• 录音发给 OpenAI，它的文字和聊天记录发给 Google，回答发给 ElevenLabs。