ElevenLabs: Eleven Turbo v2.5

Eleven Turbo v2.5 er ElevenLabs' flersprogede tekst-til-tale-model til interaktiv tale. Den modtager teksten til en forberedt ytring og producerer lyd med en valgt stemme. Producenten positionerer den til applikationer med lav svartid og samtalegrænseflader. I modsætning til Turbo v2, der kun understøtter engelsk, understøtter denne udgave et flersproget manuskript; modellen skaber ikke applikationens svar og transskriberer ikke en indgående brugeroptagelse.

Sættet på 32 sprog indeholder de 29 sprog fra Multilingual v2 samt ungarsk, norsk og vietnamesisk. De dokumenterede sprog omfatter engelsk, japansk, kinesisk, tysk, hindi, fransk, koreansk, portugisisk, italiensk, spansk, indonesisk, nederlandsk, tyrkisk, filipino, polsk, svensk, bulgarsk, rumænsk, arabisk, tjekkisk, græsk, finsk, kroatisk, malajisk, slovakisk, dansk, tamil, ukrainsk og russisk. Forbered en naturlig ordlyd på målsproget, og vælg en stemme med den accent, lytteren har brug for.

Producentens fulde TTS-produkt-FAQ angiver udtrykkeligt et API-inputloft på 40.000 tegn til Turbo v2.5. Den tilhørende omtrentlige optagelseslængde er ikke en præcis varighed: stemme, sprog og talehastighed bestemmer den faktiske optagelses længde. Til et samtalesvar skal du levere en kort, fuldstændig tanke frem for at fylde den tilgængelige inputplads. Til længere indhold skal manuskriptet deles i beslægtede afsnit, og den omgivende kontekst bevares.

ElevenLabs beskriver Turbo v2.5 og Flash v2.5 som funktionelt tilsvarende producentmodeller med lavere gennemsnitlig svartid for Flash. De beholder særskilte navne og kort; sammenligningen fastslår ikke en bestemt runtimes vægte eller svartid. Turbo v2.5 forbliver en nyttig navngiven flersproget synteseprofil, når en opgave eller applikation registrerer netop denne udgave. Stemme- og tekstforberedelsen skal gemmes sammen med det valgte resultat, når præstationer sammenlignes.

Udtaleforberedelse betyder mest for navne, referencekoder, datoer og forkortede udtryk. Skriv cifre enkeltvis, når lytteren skal gentage en identifikator, og skriv en frase ud, når dens talte betydning ellers er tvetydig. Brug en ensartet alternativ stavemåde eller et udtalealias til et vanskeligt tilbagevendende navn. Ordbogsvejledningen angiver ikke Turbo v2.5 blandt modellerne med fonemregler, så andre navngivne udgavers indbyggede IPA- eller fonemfunktioner overføres ikke til denne profil.

Tone og rytme kommer fra tekst, tegnsætning, stemme og producentens stemmeindstillinger. Den fælles produktvejledning beskriver stability for ensartethed, similarity for lighed og hastighedsindstillinger fra 0.7 til 1.2 med 1.0 som uændret. Stemmens oprindelige sprog og kadence kan påvirke et flersproget resultat. Følelsesanvisninger skrevet som almindelig fortælling kan selv blive læst op, mens v3's og v4's kontrol med lydtags er en særskilt modelfunktion. Forbered et rent talt svar, og gør den tilsigtede stemning tydelig gennem ordlyden.

Den fælles TTS-arbejdsgang dokumenterer fuld talegenerering og streamet lyd. Formatfamilien omfatter MP3, ukomprimeret 16-bit PCM, μ-law og A-law til telefoni samt Opus. Vælg et format, der passer til afspilningsdestinationen, og gem manuskriptet sammen med den valgte lyd. Streaming handler om, hvordan den genererede tale leveres; det er adskilt fra at lytte til en bruger, registrere en replikgrænse eller beslutte, hvilken handling en assistent skal foretage.

Et praktisk flersproget assistentsvar skal bekræfte ét resultat og angive ét næste trin. En vejledningsreplik kan navngive den kontrol, brugeren skal anvende, og forklare, hvad der sker efter valget. Tilpas ordlyden til hvert sprog, bevar navne og den faktiske handling frem for mekanisk at oversætte en unaturlig sætning. Gennemgå en karakteristisk replik for udtale, accent, forståelighed og dens sammenhæng med den foregående replik. Det genanvendelige resultat er taleoptagelsen knyttet til det præcise manuskript, den valgte stemme og Turbo v2.5-udgaven.