ElevenLabs: Eleven Flash v2

Eleven Flash v2 ist ElevenLabs’ ausschliesslich englischsprachiges Sprachsynthesemodell für Sprachanwendungen mit schnellen Antworten. Es nimmt eine geschriebene Äusserung entgegen und erzeugt gesprochenes Audio mit der ausgewählten Stimme. Der Hersteller positioniert Flash für Echtzeitgespräche und interaktive Erlebnisse wie Assistentenbestätigungen, gesprochene Anweisungen und Spielantworten. Diese benannte Ausgabe ist vom mehrsprachigen Flash v2.5 und den ausdrucksstarken Familien v3 und v4 getrennt.

Englisch ist das Sprachprofil von Flash v2. Eine Stimme kann einen regionalen Akzent und einen bestimmten Ton liefern, macht diese Ausgabe aber nicht zu einem mehrsprachigen Modell. Wählen Sie eine zum beabsichtigten Hörer und Zeilenzweck passende Stimme. Eine Assistentenbestätigung, ein anleitender Erzähler und eine interaktive Figur können selbst bei demselben sachlichen Inhalt unterschiedliche Sprechmelodien benötigen. Bereiten Sie die tatsächlich zu sprechenden englischen Wörter vor der Synthese vor.

Eine Anfrage unterstützt bis zu 30’000 Zeichen. Die neben dieser Grenze genannte ungefähre Audiolänge des Anbieters ist keine feste Dauer. Behalten Sie bei einer interaktiven Antwort einen Hauptgedanken und ein klares Ende; teilen Sie bei einer längeren Aufnahme zusammengehörigen Text an Satz- oder Abschnittsgrenzen auf. Der gemeinsame TTS-Workflow dokumentiert benachbarten Text oder Anfragekontext zum Erhalt der Prosodie zwischen zusammenhängenden Generierungen, sodass Segmentierung die Beziehung zwischen aufeinanderfolgenden Passagen nicht entfernen muss.

Der Pausenworkflow von Flash v2 verwendet SSML-break-Tags. Der Produktleitfaden nennt <break time="1.5s" /> als Möglichkeit, eine natürliche Pause anzufordern, mit dokumentierten Pausen bis zu drei Sekunden. Die Stimme beeinflusst den Vortrag rund um die Pause, und zu viele Tags können Tempoänderungen, Geräusche oder Artefakte verursachen. Setzen Sie eine Pause dort, wo Hörer einen Übergang benötigen, nicht zwischen jedes Wort. Zeichensetzung und Auslassungspunkte können die Zeitgestaltung ebenfalls beeinflussen, sind aber weniger konsistent und können einen zögernden Ton hinzufügen.

Einzelne Wörter können SSML-Phonemnotation in IPA oder CMU Arpabet verwenden. Der Hersteller empfiehlt CMU Arpabet für vorhersehbarere v2-Aussprache und erklärt, dass Phonemregeln bei einem mehrteiligen Namen für jedes Wort separat angewendet werden sollten. Aussprachewörterbücher können das bevorzugte Phonem oder einen Alias für einen wiederkehrenden Begriff bewahren; ihre Zuordnung unterscheidet Gross- und Kleinschreibung. Dies unterscheidet sich von der nativen, durch Schrägstriche eingerahmten IPA-Syntax von v4 und vom Ausspracheprofil von Flash v2.5.

Bereiten Sie Referenzcodes, Daten und Abkürzungen in der gewünschten Sprechform vor. Dieselben Ziffern können eine Menge oder eine Kennung darstellen; legen Sie daher fest, ob Hörer eine ganze Zahl oder einzelne Ziffern hören sollen. Schreiben Sie Monat und Datum eindeutig und lösen Sie Abkürzungen auf, die als Wörter gesprochen werden sollen. Gewöhnliche erläuternde Anweisungen im Text können selbst vorgelesen werden; die ausdrucksstarken Audiotags von v3 und v4 gehören nicht zu dem für diese Ausgabe beschriebenen Steuerungsprofil.

Die Formatfamilie des Anbieters umfasst MP3, unkomprimiertes 16-Bit-PCM, μ-law und A-law für Telefonie sowie Opus. Der gemeinsame Workflow kann eine vollständige Aufnahme liefern oder Sprache schrittweise zurückgeben. Stimmeinstellungen beeinflussen Stabilität, Ähnlichkeit und Tempo, mit einem dokumentierten Geschwindigkeitsbereich von 0.7 bis 1.2 und 1.0 als unverändertem Tempo. Diese Einstellungen lenken eine Darbietung, ohne eine identische Aufnahme oder eine genaue endgültige Aufnahmelänge zu garantieren.

Nennen Sie für eine praktische englische Hilfenachricht zuerst das Ergebnis und dann einen nächsten Schritt: Bestätigen Sie eine gespeicherte Auswahl, sprechen Sie den relevanten Feldnamen klar aus und erklären Sie die nächste Handlungsmöglichkeit des Nutzers. Schreiben Sie für ein Tutorial eine vollständige Anweisung und setzen Sie vor der folgenden Aktion eine Pause. Prüfen Sie schwierige Namen, Zahlen und Übergänge im ausgewählten Audio. Bewahren Sie diese Aufnahme mit Skript und Aussprachevorbereitung, damit sie zu einem wiederverwendbaren gesprochenen Hinweis, einer Benachrichtigung oder Assistentenantwort werden kann.