ElevenLabs: Eleven v3 Conversational

Eleven v3 Conversational ist die Sprachsyntheseversion von ElevenLabs für Echtzeitdialoge. Es nimmt den Text einer vorbereiteten Antwort entgegen und liefert gesprochenes Audio mit der emotionalen Bandbreite und kontextabhängigen Sprechweise der v3-Familie. Der Hersteller führt es getrennt von gewöhnlichem Eleven v3 und ordnet es einem Text-to-Dialogue-Streaming-Workflow zu. Sein nützlicher Einsatz ist die Stimme eines Assistenten oder einer interaktiven Figur, deren nächste Äusserung vom vorangegangenen Gespräch abhängt.

Das Modell unterstützt mehr als 70 Sprachen, darunter Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Spanisch, Portugiesisch und Russisch. Wählen Sie die Sprache der geschriebenen Antwort und eine Stimme mit einem passenden Akzent. Passen Sie für ein mehrsprachiges Supportskript den Wortlaut an natürliche gesprochene Sprache an, bevor Sie ihn zur Synthese senden. Das Modell spricht den bereitgestellten Inhalt; die Überlegungen, die die Antwort bestimmen, und jegliche Interpretation der Mikrofoneingabe des Nutzers sind separate Anwendungsschritte.

Audiotags bieten eine feine Steuerung von Emotion und Sprechweise. Eine beruhigende Antwort, eine neugierige Frage und eine dramatische Figurenreaktion benötigen unterschiedliche Darbietungen, auch wenn die Wörter kurz sind. Halten Sie den Hinweis nahe bei der Äusserung, die er beeinflusst, und bewahren Sie genügend Kontext, um den emotionalen Wechsel zu erklären. Ein beispielhaftes Briefing kann lauten: «Bestätige die Korrektur herzlich und erkläre dann den nächsten Schritt mit gleichmässiger, aufmerksamer Stimme.» Die Antwort sollte verständlich bleiben, ohne auf den Hinweis angewiesen zu sein, um fehlende Informationen zu liefern.

Im dokumentierten Dialog-WebSocket-Workflow sendet die Anwendung Text und empfängt Base64-kodierte Audioabschnitte, während die Verbindung über mehrere Zeilen hinweg offen bleibt. Der Hersteller puffert genügend Text für ein zusammenhängendes Sprachsegment; sehr kurze Fragmente können warten, bis mehr Kontext eintrifft oder der Puffer gezielt ausgegeben wird. Gesprächsrundengrenzen können die Prosodie zurücksetzen, während ein Sprecherwechsel eine neue Runde markiert. Diese Eigenschaften helfen dabei, vollständige Formulierungen statt einzelner Wörter für eine interaktive Antwort vorzubereiten.

Der gemeinsame Dialogleitfaden dokumentiert optionale Ausrichtungsinformationen in Audioabschnitten, wenn sie angefordert werden und verfügbar sind. Die Ausrichtung kann helfen, Sprache und Text einander zuzuordnen, verspricht aber keine feste Dauer für eine vorgegebene Äusserung. Wählen Sie das Hersteller-Ausgabeformat für Wiedergabe oder Sammlung in einer Datei; die gemeinsame TTS-Formatfamilie umfasst MP3 und PCM, mit Telefoniekodierungen im entsprechenden Workflow. Eine Dialogverbindung und eine vollständige Anfrage für eine vorproduzierte Sprachaufnahme sind unterschiedliche Modi; ihre Vorbereitungs- und Zeitannahmen sollten deshalb getrennt bleiben.

Schreiben Sie zur Aussprache mehrdeutige Abkürzungen aus und Zahlen in der vorgesehenen gesprochenen Form, wenn ihre Bedeutung sonst unklar wäre. Halten Sie Namen und wiederkehrende Terminologie konsistent. Übertragen Sie weder die native IPA-Syntax des v4-Modells noch die Anfragegrenze von gewöhnlichem v3 allein wegen des ähnlichen Familiennamens. Wählen Sie die Stimme für die Gesprächsrolle und prüfen Sie dann eine repräsentative Zeile auf Klarheit und passende Emotion, bevor Sie das Skript fortsetzen.

Verwenden Sie für eine praktische Assistentenantwort einen Hauptgedanken, ein klares Ergebnis und einen natürlichen Abschluss, auf den der Nutzer reagieren kann. Zum Beispiel: «Bestätige die neue Lieferadresse, wiederhole den Strassennamen deutlich und frage, ob der Nutzer die gespeicherte Adresse ändern möchte.» Bewahren Sie bei einer Figur die etablierte Persönlichkeit, während Sie die Reaktion auf die aktuelle Szene abstimmen. Teilen Sie lange Erklärungen an sinnvollen Satzgrenzen und erhalten Sie den vorangegangenen Gesprächskontext. Das Ergebnis ist gesprochenes Audio für die bereitgestellte Antwort, kein Transkript des Anrufers und keine eigenständig erzeugte Entscheidung.