ElevenLabs: Eleven Multilingual v2

Eleven Multilingual v2 es el modelo de texto a voz de ElevenLabs para narración natural, sensible a la emoción y coherente. Acepta un guion escrito y devuelve audio hablado, cuya voz seleccionada aporta buena parte del carácter y el acento. El productor destaca la estabilidad en generaciones más largas, el contenido profesional, las voces de personajes, el aprendizaje electrónico y los proyectos multilingües. Es un modelo de síntesis de voz, separado del transformador de voz con nombre similar Multilingual Speech to Speech.

El conjunto documentado contiene 29 idiomas: inglés, japonés, chino, alemán, hindi, francés, coreano, portugués, italiano, español, indonesio, neerlandés, turco, filipino, polaco, sueco, búlgaro, rumano, árabe, checo, griego, finés, croata, malayo, eslovaco, danés, tamil, ucraniano y ruso. Prepara el guion real en un idioma compatible antes de sintetizar, en lugar de esperar que el modelo de voz lo traduzca.

El modelo está diseñado para conservar las características y personalidad del hablante elegido entre los idiomas compatibles. El acento sigue dependiendo mucho de la voz: ElevenLabs recomienda una voz entrenada en el idioma y acento regional de destino porque una voz no nativa puede conservar su acento original o desviarse. Para un curso localizado, conserva la función del narrador y el tono general mientras adaptas la estructura de frases, terminología y pronunciación al público. Una identidad de voz compartida no elimina la necesidad de revisar la expresión en el idioma de destino.

El límite por solicitud es de 10.000 caracteres. El material más largo puede dividirse en capítulos o secciones conectados; el flujo compartido TTS del productor documenta texto anterior y posterior, o contexto de solicitudes vecinas, para conservar la prosodia entre fragmentos. Mantén la división en un límite significativo de frase y aporta suficiente contexto circundante para el inicio y el final de un pasaje. Los minutos aproximados por solicitud del fabricante no son una promesa de duración fija porque las palabras, el idioma y el ritmo determinan la longitud de la grabación seleccionada.

La expresión sigue el significado del texto, el contexto narrativo, la puntuación y la voz elegida. La estabilidad controla la variabilidad y el rango emocional; la similaridad controla cuánto se parece el resultado a la voz. La guía compartida del producto describe un rango de velocidad de 0.7 a 1.2, con 1.0 sin cambios. Una estabilidad alta puede sonar contenida o monótona, mientras que una estabilidad demasiado baja puede hacer errática una interpretación. El texto escrito de indicaciones de expresión puede pronunciarse, por lo que debes preparar el guion final, en lugar de incluir instrucciones que nunca deban escucharse.

El flujo de pausas de este modelo admite etiquetas break de SSML, a diferencia de v3 y v4. El productor da <break time="1.5s" /> como una forma de solicitar una pausa natural y documenta pausas de hasta tres segundos. Un exceso de etiquetas break puede introducir cambios de velocidad o artefactos y la voz elegida puede afectar a cómo suena una pausa. Utiliza pausas en transiciones significativas, como después de una definición o antes de la siguiente parte de una instrucción narrada.

Multilingual v2 no admite etiquetas de fonemas en la guía de pronunciación del fabricante. Utiliza alias de diccionario o una grafía alternativa preparada para indicar la forma hablada deseada de un nombre, sigla o término técnico. ElevenLabs también describe que este modelo trata los números de forma más natural que Flash v2.5, mientras que su guía de preparación sigue recomendando escribir números, fechas y símbolos críticos como las palabras que deban pronunciarse. Un código de referencia y una cantidad necesitan lecturas diferentes aunque sus dígitos escritos parezcan similares.

La familia de formatos de audio del productor incluye MP3 para distribución, PCM sin comprimir de 16 bits para producción, μ-law y A-law para telefonía y Opus. La generación completa de voz y el streaming están documentados en el flujo compartido TTS. Elige la salida según el destino previsto y conserva juntos el guion, la voz y la grabación seleccionada. Un capítulo de audiolibro, una narración corporativa y una lección corta pueden utilizar el mismo propósito de modelo y necesitar ritmos y segmentaciones diferentes.

Para una lección práctica, escribe la introducción, definiciones, ejemplo y transición como pasajes hablados completos. Marca los términos que necesiten pronunciación coherente y utiliza una pausa natural después del concepto central. Revisa una parte representativa que contenga nombres, números y una frase más larga, comprobando el acento, la inteligibilidad y si la expresión sigue estable al atravesar el límite de sección. El artefacto útil es una grabación narrativa coherente que puede incorporarse al curso, audiolibro o vídeo junto a su guion de origen.