ElevenLabs: Eleven Multilingual v2

Eleven Multilingual v2 je model převodu textu na řeč od ElevenLabs pro přirozené, emočně citlivé a konzistentní vyprávění. Přijímá písemný scénář a vrací mluvený zvuk, jehož charakter a přízvuk do značné míry určuje vybraný hlas. Výrobce zdůrazňuje stabilitu delších generování, profesionální obsah, dabing postav, elektronické vzdělávání a vícejazyčné projekty. Jde o model syntézy řeči, který je odlišný od podobně pojmenovaného měniče hlasu Multilingual Speech to Speech.

Dokumentovaná sada obsahuje 29 jazyků: angličtinu, japonštinu, čínštinu, němčinu, hindštinu, francouzštinu, korejštinu, portugalštinu, italštinu, španělštinu, indonéštinu, nizozemštinu, turečtinu, filipínštinu, polštinu, švédštinu, bulharštinu, rumunštinu, arabštinu, češtinu, řečtinu, finštinu, chorvatštinu, malajštinu, slovenštinu, dánštinu, tamilštinu, ukrajinštinu a ruštinu. Před syntézou připravte skutečný scénář v podporovaném jazyce; neočekávejte, že jej hlasový model přeloží.

Model je navržen tak, aby v podporovaných jazycích zachoval vlastnosti a osobnost vybraného mluvčího. Přízvuk však stále výrazně závisí na hlasu: ElevenLabs doporučuje hlas trénovaný v cílovém jazyce a regionálním přízvuku, protože nerodilý hlas si může uchovat původní přízvuk nebo se od něj různě odchylovat. U lokalizovaného kurzu zachovejte roli vypravěče a celkový tón, ale větnou stavbu, terminologii a výslovnost přizpůsobte publiku. Společná identita hlasu neodstraňuje potřebu zkontrolovat přednes v cílovém jazyce.

Limit požadavku je 10 000 znaků. Delší materiál lze rozdělit do navazujících kapitol nebo oddílů; společný postup TTS výrobce dokumentuje předchozí a následující text nebo kontext sousedních požadavků pro zachování prozodie mezi částmi. Dělte na smysluplné hranici vět a přenášejte dostatečný okolní kontext pro začátek a konec pasáže. Přibližný počet minut na požadavek uváděný výrobcem není příslibem pevné délky, protože délku vybrané nahrávky určují slova, jazyk a tempo.

Přednes vychází z významu textu, vypravěčského kontextu, interpunkce a vybraného hlasu. Stabilita řídí variabilitu a emoční rozsah; podobnost určuje, nakolik se výsledek podobá hlasu. Společná produktová příručka uvádí rozsah rychlosti 0.7 až 1.2, přičemž 1.0 znamená nezměněné tempo. Vysoká stabilita může znít zdrženlivě nebo monotónně, příliš nízká naopak může vést k nevyrovnanému přednesu. Písemné popisy přednesu mohou být samy vysloveny, proto připravte konečný scénář a nevkládejte do něj pokyny, které nemají zaznít.

Práce s pauzami u tohoto modelu podporuje značky SSML break, na rozdíl od v3 a v4. Výrobce uvádí <break time="1.5s" /> jako způsob vyžádání přirozené pauzy a dokumentuje pauzy až do tří sekund. Nadměrné množství značek break může způsobit změny rychlosti nebo zvukové artefakty a vybraný hlas může ovlivnit podobu pauzy. Pauzy použijte při smysluplných přechodech, například za definicí nebo před další částí namluveného pokynu.

Multilingual v2 podle výslovnostní příručky výrobce nepodporuje fonémové značky. Pomocí slovníkových aliasů nebo připraveného alternativního zápisu určete požadovanou mluvenou podobu jména, akronymu či odborného termínu. ElevenLabs také tento model popisuje jako přirozenější při čtení čísel než Flash v2.5, přesto jeho pokyny k přípravě doporučují zapisovat důležitá čísla, data a symboly slovy, která mají zaznít. Referenční kód a množství potřebují odlišné čtení, i když vypadají jejich číslice podobně.

Rodina zvukových formátů výrobce zahrnuje MP3 pro distribuci, nekomprimovaný 16bitový PCM pro produkci, μ-law a A-law pro telefonii a Opus. Úplné generování řeči i streamování jsou dokumentovány ve společném postupu TTS. Výstup vyberte pro zamýšlený účel a scénář, hlas i vybranou nahrávku uchovávejte společně. Kapitola audioknihy, firemní namluvení a krátká lekce mohou využívat tentýž účel modelu, ale vyžadovat odlišné tempo a členění.

Pro praktickou lekci napište úvod, definice, příklad a přechod jako úplné mluvené pasáže. Označte termíny vyžadující jednotnou výslovnost a za základním pojmem použijte přirozenou pauzu. Zkontrolujte reprezentativní část se jmény, čísly a delší větou; ověřte přízvuk, srozumitelnost a to, zda zůstává přednes vyrovnaný při přechodu mezi oddíly. Užitečným výstupem je konzistentní namluvená nahrávka, kterou lze spolu s původním scénářem vložit do kurzu, audioknihy nebo videa.