ElevenLabs: Eleven Flash v2

Eleven Flash v2 er ElevenLabs' talesyntesemodel udelukkende til engelsk til stemmeapplikationer med hurtig respons. Den modtager en skriftlig ytring og producerer talt lyd med den valgte stemme. Producenten fremhæver Flash til samtaler i realtid og interaktive oplevelser som assistentbekræftelser, talte instruktioner og spilsvar. Denne navngivne udgave er adskilt fra den flersprogede Flash v2.5 og de udtryksfulde v3- og v4-familier.

Engelsk er sprogprofilen for Flash v2. En stemme kan give en regional accent og en bestemt tone, men den gør ikke denne udgave til en flersproget model. Vælg en stemme, der passer til den tilsigtede lytter og replikkens formål. En assistentbekræftelse, en vejledende fortæller og en interaktiv figur kan kræve forskellig rytme, selv når det faktuelle indhold er det samme. Forbered de faktiske engelske ord, der skal læses op, før syntese.

En forespørgsel understøtter op til 30.000 tegn. Producentens omtrentlige lydlængde ved siden af denne grænse er ikke en fast varighed. Til et interaktivt svar bevares én hovedtanke og en tydelig afslutning; til en længere optagelse opdeles sammenhængende tekst ved sætnings- eller afsnitsgrænser. Det fælles TTS-forløb dokumenterer tilstødende tekst eller forespørgselskontekst til at bevare prosodien på tværs af forbundne genereringer, så opdeling ikke behøver fjerne forbindelsen mellem efterfølgende passager.

Pauseforløbet i Flash v2 bruger SSML-break-tags. Produktvejledningen giver <break time="1.5s" /> som en måde at anmode om en naturlig pause på med op til tre sekunder dokumenteret. Stemmen påvirker fremførelsen omkring pausen, og for mange tags kan medføre hastighedsændringer, støj eller forvrængninger. Brug en pause, hvor lytteren har brug for en overgang, ikke mellem hvert ord. Tegnsætning og udeladelsesprikker kan også påvirke tidsforløbet, men er mindre konsekvente og kan tilføje en tøvende tone.

Enkelte ord kan bruge SSML-fonemnotation i IPA eller CMU Arpabet. Producenten anbefaler CMU Arpabet til mere forudsigelig udtale i v2 og angiver, at fonemregler bør anvendes separat på hvert ord i et navn med flere ord. Udtaleordbøger kan bevare det foretrukne fonem eller et alias til en tilbagevendende term; deres matchning skelner mellem store og små bogstaver. Dette adskiller sig fra den indbyggede IPA-syntaks med omgivende skråstreger i v4 og fra udtaleprofilen for Flash v2.5.

Forbered referencekoder, datoer og forkortelser i den ønskede talte form. De samme cifre kan repræsentere en mængde eller en identifikator, så angiv, om lytteren skal høre et helt tal eller separate cifre. Skriv måned og dato entydigt, og skriv forkortelser ud, når de skal læses som ord. Almindelige forklarende anvisninger i teksten kan selv blive læst op; de udtryksfulde lyd-tags fra v3 og v4 er ikke den styringsprofil, der beskrives til denne udgave.

Producentens formatfamilie omfatter MP3, ukomprimeret 16-bit PCM, μ-law og A-law til telefoni samt Opus. Det fælles forløb kan levere en fuld optagelse eller returnere tale løbende. Stemmeindstillinger påvirker stabilitet, lighed og tempo med et dokumenteret hastighedsinterval fra 0.7 til 1.2 og 1.0 som uændret hastighed. Disse indstillinger styrer en fremførelse uden at garantere en identisk optagelse eller en præcis endelig optagelseslængde.

Til en praktisk engelsk hjælpemeddelelse gives resultatet først og derefter ét næste trin: bekræft et gemt valg, udtal det relevante feltnavn tydeligt, og forklar, hvad brugeren kan gøre derefter. Til en vejledning skrives en fuldstændig instruktion, og der bruges en pause før den følgende handling. Gennemgå de vanskelige navne, tal og overgange i den valgte lyd. Bevar optagelsen sammen med manuskriptet og udtaleforberedelsen, så den kan blive en genanvendelig talt vejledning, notifikation eller assistentrespons.