ElevenLabs: Eleven v3

Eleven v3 er ElevenLabs' udtryksfulde tekst-til-tale-model til følelsesladet dialog, samtaler mellem figurer og lydbogsfortælling. Den omdanner et skrevet manuskript til talt lyd og bruger kontekst til at forme følelsesmæssigt spænd og fremførelse. Producenten understøtter både tale med én stemme og en dialogarbejdsgang med flere talere. Dette kort handler om den navngivne v3-udgave, holdt adskilt fra v3 Conversational og den senere v4-familie.

Indlejrede lydtags kan styre følelse, stemmefremførelse og ikkeverbale reaktioner. Producenten giver eksempler som [sad], [angry], [happily], [whispers], [shouts], [laughs], [clears throat] og [sighs]. Placer markøren tæt på de ord eller den reaktion, den skal påvirke. Til en fortællescene skal følelsesovergangen skrives ind i den faktiske dialog, og tagget bruges til at gøre den tilsigtede lyd eksplicit frem for at støtte sig til en løsrevet scenebeskrivelse.

V3 understøtter ikke SSML-tags af typen <break>. Promptvejledningen bruger lydtags, tegnsætning, udeladelsesprikker og tekststruktur til pauser og tempo. Det giver en fremførelsesanvisning frem for en kontrakt om præcis timing. I en tøvende replik kan udeladelsesprikker og den relevante stemmemarkør tydeliggøre den tilsigtede tøven. Hvis en optagelse skal passe til en præcis tidslinje, skal den valgte optagelse og redigeringsarbejdsgangen bruges til placeringen frem for at behandle et pausetag som en enhed med fast varighed.

Stemmevalg er fortsat vigtigt. Den dokumenterede vejledning siger, at en fremførelse, som allerede findes i stemmens træningsmateriale, er lettere at gengive, mens usædvanlige anmodninger kan være mindre pålidelige. Tilpas stemmen til figuren eller fortælleren, og gennemgå, om de valgte tags giver den ønskede fremførelse. Den aktuelle v3-promptsektion siger, at Professional Voice Clones ikke er fuldt optimeret til denne udgave; v4's dokumenterede forbedringer af kloner og indbyggede udtalekontroller er særskilte udgavefunktioner. Produktvejledningen markerer også Speed, Similarity og Speaker Boost som utilgængelige for almindelig v3. Forbered tempo og fremførelse gennem stemme, tags, tegnsætning og tekststruktur frem for at arve en anden udgaves skydere.

Eleven v3 understøtter mere end 70 sprog, herunder engelsk, fransk, tysk, japansk, koreansk, spansk, portugisisk og russisk. Vælg en stemme, der passer til sprog og regional accent, og forbered den faktiske talte ordlyd før syntese. Sprogunderstøttelse oversætter ikke automatisk et manuskript. Til en lokaliseret figurscene skal du bevare talerens hensigt og reaktion, mens ordlyden tilpasses naturligt til målgruppen.

En tekst-til-tale-anmodning understøtter op til 5.000 tegn. Del længere manuskripter ved hele scene- eller fortællegrænser, så hvert segment har en tydelig begyndelse og slutning. Producenten tilbyder create- og stream-tilstande til tale samt create- og stream-tilstande til dialog. I dialog skal hver replik forbindes med den ønskede taler, og rækkefølgen bevares. Behold tilstrækkelig omgivende tekst omkring et følelsesskift til at gøre overgangen forståelig.

Producentens fælles lydarbejdsgang tilbyder MP3, PCM og telefonikodninger som μ-law, og yderligere formater er angivet i TTS-vejledningen. Udtaleordbøger giver mulighed for at holde navne og tekniske udtryk ensartede. Ordbogsvejledningen angiver udtrykkeligt v3 til fonemregler og begrænser den flersprogede fonetiske udvidelse til v4; det gør ikke v4's indbyggede IPA-syntaks omgivet af skråstreger til en v3-funktion. Forbered vigtige stavemåder eller talte aliaser, og kontrollér resultatet med den valgte stemme.

Til en praktisk fremførelsesbrief skal du levere en færdig episode frem for en disposition: fortællerens indledning, figurens faktiske replik og reaktionen, der afslutter scenen. Angiv, hvilket indhold der siges, hvor en stemmereaktion hører til, og den følelsesmæssige retning for hvert øjeblik. Gennemgå udtale, stemmeidentitet, utilsigtet oplæsning af anvisninger og overgangen mellem talere. Resultatet er en udtryksfuld optagelse af det leverede manuskript med en valgt optagelse, som kan genbruges eller revideres i lydprojektet.