ElevenLabs: Eleven v3

Eleven v3 es el modelo de conversión de texto a voz expresiva de ElevenLabs para diálogos emocionales, conversaciones de personajes y narración de audiolibros. Convierte un guion escrito en audio hablado y utiliza el contexto para dar forma al rango emocional y a la interpretación. El productor admite tanto habla con una sola voz como un flujo de diálogo con varios hablantes. Esta ficha corresponde a la edición denominada v3, que se mantiene separada de v3 Conversational y de la familia posterior v4.

Las etiquetas de audio dentro del texto pueden dirigir la emoción, la forma de hablar y las reacciones no verbales. El fabricante ofrece ejemplos como [sad], [angry], [happily], [whispers], [shouts], [laughs], [clears throat] y [sighs]. Coloca la indicación cerca de las palabras o la reacción en las que debe influir. Para una escena narrativa, escribe la transición emocional en el diálogo real y utiliza la etiqueta para hacer explícito el sonido previsto, en vez de depender de una descripción separada de la escena.

V3 no admite etiquetas SSML <break>. Su guía de indicaciones utiliza etiquetas de audio, puntuación, puntos suspensivos y estructura del texto para las pausas y el ritmo. Ese enfoque aporta una indicación interpretativa, no un compromiso exacto de tiempos. Para una intervención dubitativa, unos puntos suspensivos y la indicación vocal pertinente pueden dejar clara la vacilación prevista. Si una grabación debe encajar en una línea de tiempo precisa, utiliza la toma seleccionada y el flujo de edición para colocarla, en lugar de tratar una etiqueta de pausa como una unidad de duración fija.

La selección de voz sigue siendo importante. Las orientaciones documentadas indican que una interpretación ya presente en el material de entrenamiento de la voz es más fácil de reproducir, mientras que las peticiones poco habituales pueden ser menos fiables. Ajusta la voz al personaje o narrador y revisa si las etiquetas elegidas producen la interpretación prevista. El apartado vigente de indicaciones para v3 señala que los Professional Voice Clones no están completamente optimizados para esta edición; las mejoras documentadas de clonación y los controles nativos de pronunciación de v4 son funciones de otra edición. La guía del producto también marca Speed, Similarity y Speaker Boost como no disponibles para v3 estándar. Prepara el ritmo y la interpretación mediante la voz, las etiquetas, la puntuación y la estructura del texto en vez de heredar los controles deslizantes de otra edición.

Eleven v3 admite más de 70 idiomas, incluidos inglés, francés, alemán, japonés, coreano, español, portugués y ruso. Elige una voz adecuada para el idioma y el acento regional y prepara las palabras reales que se pronunciarán antes de la síntesis. El soporte de idiomas no traduce un guion automáticamente. Para una escena de personajes localizada, conserva la intención y la reacción del hablante y adapta la formulación con naturalidad para el público.

Una solicitud de conversión de texto a voz admite hasta 5,000 caracteres. Divide los guiones más largos en límites de escena o narración completos, para que cada segmento tenga un inicio y un final claros. El productor ofrece modos de creación y streaming tanto para voz como para diálogo. Para un diálogo, asocia cada turno a su hablante previsto y conserva su secuencia. Mantén un cambio emocional junto a suficiente texto circundante para que la transición se entienda.

El flujo compartido de audio del productor ofrece MP3, PCM y codificaciones telefónicas como μ-law, con formatos adicionales enumerados en su guía TTS. Los diccionarios de pronunciación ofrecen una forma de mantener coherentes los nombres y los términos técnicos. La guía de diccionarios enumera explícitamente v3 para reglas de fonemas y limita su extensión fonética multilingüe a v4; eso no convierte la sintaxis IPA nativa entre barras de v4 en una función de v3. Prepara las grafías importantes o los alias de pronunciación y comprueba el resultado con la voz seleccionada.

Para unas instrucciones prácticas de interpretación, proporciona un episodio terminado en lugar de un esquema: una introducción del narrador, la intervención real del personaje y la reacción que cierra la escena. Especifica qué contenido se pronuncia, dónde corresponde una reacción vocal y la dirección emocional de cada momento. Revisa la pronunciación, la identidad de voz, la lectura involuntaria de indicaciones y la transición entre hablantes. El resultado es una grabación expresiva del guion suministrado, con una toma elegida que puede reutilizarse o revisarse en el proyecto de audio.