ElevenLabs: Eleven Turbo v2

Eleven Turbo v2 er ElevenLabs' tekst-til-tale-model udelukkende til engelsk i applikationer, der har brug for hurtige talte svar. Den modtager den forberedte tekst til en ytring og returnerer lyd med en valgt stemme. Producenten identificerer Turbo v2 særskilt fra den flersprogede Turbo v2.5 og fra Flash-serien. Dens nyttige rolle er et engelsk stemmesvar, eksempelvis en bekræftelse, en kort forklaring eller den næste instruktion i en samtalegrænseflade.

Engelsk er denne udgaves afgørende sproggrænse. Input på et andet sprog giver ikke Turbo v2 den flersprogede profil fra v2.5. Vælg en stemme med den accent og fremførelse, der behøves til det engelske manuskript. En varm samtalestemme, en afdæmpet fortæller og en energisk figur kan få den samme sætning til at lyde forskelligt, så den valgte stemme er en del af opgavebeskrivelsen frem for en fast standard bestemt af modelnavnet.

Forbered et rent manuskript til oplæsning. Modellen syntetiserer de ord, den får; den afgør ikke, om en handling lykkedes, og genererer ikke applikationens ræsonnement. Til et assistentsvar medtages ét tydeligt resultat og et naturligt næste trin. En illustrativ replik kan bekræfte, at et dokument blev modtaget, og bede om det manglende referencenummer. Hold interne instruktioner og metadata uden for de ord, der skal høres, fordi almindelig beskrivende tekst selv kan blive læst op.

Navne, forkortelser og tal kræver bevidst forberedelse. Skriv en identifikator som separate cifre, når den skal gentages sådan, og skriv en forkortelse ud, når lytteren skal høre dens fulde betydning. Brug en entydig talt form til en dato. Udtalealiaser eller alternative stavemåder kan angive en foretrukken måde at udtale et vanskeligt navn på. Bevar den oprindelige stavemåde til visning separat fra den talte form, hvis applikationen også viser meddelelsen som tekst.

Producentens stemmeindstillinger påvirker ensartethed, lighed og tempo. I den fælles TTS-produktvejledning bruger speed-indstillingen 1.0 til uændret hastighed og et interval fra 0.7 til 1.2; ekstreme justeringer kan påvirke resultatet. Stabilitet ændrer variationen og det følelsesmæssige spænd, mens lighed styrer, hvor meget stemmen ligner den valgte stemme. Disse indstillinger gør ikke syntesen deterministisk og fastslår ikke en præcis varighed for en replik. Tegnsætning og en fuldstændig sætningsstruktur er fortsat vigtige for, hvordan ordene fremføres.

Producentens API-grænse for netop Turbo v2 er 30.000 tegn pr. forespørgsel. Dette er et inputloft frem for en fast lydvarighed; brug hele sætninger eller afsnit, når længere tekst forberedes. ElevenLabs' TTS-formatfamilie omfatter MP3 til almindelig lytning, ukomprimeret 16-bit PCM, telefonikodninger som μ-law og A-law samt Opus. Et streamingforløb kan returnere lyd løbende, mens en forespørgsel med den fulde tekst kan opsamles som en optagelse. Vælg outputtet efter afspilningsstedet, og bevar det faktiske manuskript sammen med den valgte lyd. Til en længere forklaring opdeles teksten ved meningsfulde grænser frem for at bede en lytter følge én lang liste.

Til et praktisk engelsk supportsvar forberedes det præcise resultat, et tydeligt udtalt navn eller en identifikator og den næste handling. Gennemgå den relevante del af optagelsen for forståelighed, accent og naturlig rytme. Producenten dokumenterer ikke-deterministisk output, så de samme indstillinger kan stadig give en lidt anderledes fremførelse. Det genanvendelige resultat er den valgte taleoptagelse sammen med den forberedte ordlyd og stemmeindstillingerne til en assistent, notifikation, vejledningsreplik eller kort indtalt forklaring.