ElevenLabs: Eleven Flash v2.5

Eleven Flash v2.5 er ElevenLabs' flersprogede tekst-til-tale-model til realtids- og interaktive applikationer. Den omdanner et leveret tekstsvar til talt lyd og balancerer en hurtig responsprofil med naturlig fremførelse og ensartede stemmeegenskaber. Producenten nævner stemmeagenter, chatbots, spil og applikationer med behov for øjeblikkelig tilbagemelding samt tekst-til-tale-konvertering i større skala som typiske anvendelser.

Modellen understøtter 32 sprog: de 29 sprog fra Multilingual v2 samt ungarsk, norsk og vietnamesisk. Det dokumenterede sæt omfatter engelsk, japansk, kinesisk, tysk, hindi, fransk, koreansk, portugisisk, italiensk, spansk, indonesisk, nederlandsk, tyrkisk, filippinsk, polsk, svensk, bulgarsk, rumænsk, arabisk, tjekkisk, græsk, finsk, kroatisk, malajisk, slovakisk, dansk, tamil, ukrainsk og russisk. Dette adskiller sig fra Flash v2, der kun understøtter engelsk. Vælg manuskriptets sprog og en passende regional stemme frem for at antage, at en engelsk stemmes accent er det rigtige valg til enhver lokalisering.

En forespørgsel understøtter op til 40.000 tegn. Producenten angiver omtrentlige lydvarigheder sammen med sin tegntabel, men en tegngrænse er ikke en fast optagelseslængde. Talehastighed, sprog, tegnsætning og stemmens fremførelse ændrer varigheden. Til et direkte svar bruges langt kortere, afsluttede formuleringer; til en længere optagelse opdeles manuskriptet ved meningsfulde afsnit, og kontekst omkring grænserne bevares. Et højt tegnloft er nyttigt til kildeforberedelse uden at gøre et langt, uafbrudt svar nemt at lytte til.

Talnormalisering er en væsentlig forskel ved denne model. Afsnittet for netop Flash v2.5 angiver, at normalisering er deaktiveret som standard i dens profil med lav latenstid, og telefonnumre, datoer eller angivelser af pengebeløb kan blive læst uventet. Forbered den tilsigtede talte form før syntese. Afgør, om et tal er en mængde, en referencekode eller cifre, der skal gentages enkeltvis. Til en dato skrives måned og dag, som publikum skal høre dem; til en forkortelse angives den fulde form, når den skal læses som ord.

Udtalen kan styres med omskrevet stavemåde eller ordbogsaliaser. Producentens ordbogsvejledning forbeholder fonemregler til de navngivne v4-, v3- og Flash v2-modeller og anbefaler aliaser til andre udgaver, så Flash v2.5 må ikke arve understøttelsen af fonem-tags i Flash v2. Bevar en foretrukken udtale til tilbagevendende navne og termer, og kontroller den med den valgte stemme. Hvis beskrivelser af følelser medtages som instruktioner i almindelig tekst, kan de selv blive læst op; forbered et rent, endeligt manuskript til den ønskede optagelse.

Det fælles TTS-forløb understøtter streamet lyd og fuld talegenerering. Dets formatfamilie omfatter MP3, ukomprimeret 16-bit PCM, μ-law og A-law til telefoni samt Opus. Vælg formatet efter afspilningsstedet, og hold den genererede tekst tilgængelig sammen med lyden. ElevenLabs' stemmeindstillinger kan påvirke ensartethed og hastighed, mens manuskriptets ordlyd og tegnsætning leverer meget af den tilsigtede rytme. Det er valgmuligheder i producentens arbejdsforløb, adskilt fra en antagelse om, at alle indstillinger er tilgængelige i en bestemt applikation. Produktvejledningen understøtter udtrykkeligt SSML-pauser til Flash v2.5, eksempelvis <break time="1.5s" />, med pauser på op til tre sekunder. For mange break-tags kan påvirke hastigheden eller medføre forvrængninger. Den fælles hastighedsindstilling går fra 0.7 til 1.2 med 1.0 som uændret hastighed.

Til en assistent forberedes ét tydeligt resultat og ét næste trin i en naturlig samtalesætning. En praktisk replik kan bekræfte, at en handling blev afsluttet, og derefter forklare det ene felt, der stadig mangler. Til et spil eller en vejledning holdes instruktionen kort nok til at blive forstået under brugerens igangværende aktivitet. I et flersproget projekt tilpasses den faktiske formulering frem for blot at udskifte ordforråd, og betydningen af navne, handlinger og betingelser bevares.

Gennemgå en repræsentativ passage med manuskriptets vanskelige del: et navn, en identifikator, en dato eller en længere forklaring. Kontroller forståelighed, accent, tempo og om tal siges på den tilsigtede måde. Syntesen er ikke-deterministisk ifølge producentens dokumentation, så den konkrete optagelse kan variere selv med lignende input. Bevar den valgte lyd og dens forberedte taletekst som det genanvendelige resultat til en notifikation, et hjælpesvar, en interaktiv figur eller en indtalt forklaring.