ElevenLabs: Eleven v4

Eleven v4 es el modelo de conversión de texto a voz expresiva de ElevenLabs para contenido de producción, narración e interpretación de personajes. Su nueva arquitectura utiliza el contexto del guion para dar forma a quién habla, qué ha ocurrido y cómo debe sonar la siguiente intervención. La entrada es un guion escrito asociado a una voz seleccionada; la salida es audio. El fabricante destaca el diálogo emocional, la producción de audiolibros, la animación y los juegos, y los proyectos multilingües como aplicaciones características.

Las indicaciones de interpretación pueden escribirse en el guion mediante etiquetas de audio dentro del texto. Etiquetas como [laughs], [whispers] y [door slams] pueden describir una forma de hablar, un evento no verbal o un sonido dentro de la escena. La actualización documentada de v4 mejora el seguimiento de una secuencia de estas indicaciones respecto a v3. Para un momento dramático breve, escribe las palabras reales que se pronunciarán y coloca una indicación de interpretación donde importe, en vez de añadir al final una lista de emociones sin relación.

Las pausas y el énfasis utilizan indicaciones de audio en lenguaje natural. ElevenLabs documenta [pause] y [long pause] para pausas e indicaciones como [excited] o [sighs] para la interpretación. Las etiquetas SSML <break> están desactivadas en v4, por lo que un guion anterior que las utilice necesita adaptarse al formato de indicaciones de v4. Una etiqueta nombra la interpretación prevista; por sí sola no fija un número exacto de milisegundos ni garantiza una duración final determinada.

El flujo de diálogo del productor admite varios hablantes, lo que permite que una escena contenga voces y eventos sonoros diferenciados. Su perfil WebSocket de diálogo v4 admite hasta diez voces registradas, mientras que el perfil de v4 Turbo utiliza una. Prepara un orden claro de turnos de habla y mantén cada intervención asociada a la voz prevista. Un intercambio ilustrativo podría pasar de una pregunta formulada con incertidumbre y en voz baja a una respuesta segura y después a una reacción de alivio. El contenido y la transición emocional deben entenderse a partir del propio guion. Para un solo narrador, utiliza la misma claridad para distinguir la narración de una cita o un cambio de ánimo.

Eleven v4 admite más de 90 idiomas, incluidos inglés, francés, alemán, japonés, español, portugués y ruso. El fabricante describe una calidad de voz coherente al cambiar de idioma. Elige una voz y una pronunciación adecuadas para el idioma y la región de la grabación prevista; importan tanto el idioma del guion como el carácter de la voz. Para una lección localizada, traduce primero las palabras que se pronunciarán y conserva el significado, la terminología y las indicaciones de interpretación en el nuevo guion.

Una generación admite hasta 10.000 caracteres. Un trabajo más largo se prepara como varias generaciones conectadas, con enlace de contextos para mantener el ritmo y la interpretación coherentes entre segmentos. Divide un capítulo en un límite natural de frase o escena y conserva el contexto que lo rodea. El fabricante también describe una identidad de hablante estable cuando se regenera una intervención. Esto resulta útil para revisar un pasaje manteniendo el mismo reparto y estilo interpretativo en el material circundante.

V4 admite Instant y Professional Voice Clones en el flujo del productor ElevenLabs. ElevenLabs destaca su regreso en v4; su guía de indicaciones para v3 señala que los Professional Voice Clones no están completamente optimizados para v3. Los Instant o Professional Voice Clones creados antes del lanzamiento de v4 necesitan volver a entrenarse para funcionar eficazmente con el modelo. La clonación de voz crea o prepara la voz utilizada para la síntesis; es distinta del acto de convertir el guion suministrado en habla. La identidad del modelo no exige una única voz predeterminada, así que selecciona la voz para el narrador o personaje en lugar de suponer que el nombre del modelo determina un hablante.

El fabricante documenta MP3 para escucha general y distribución de medios, WAV o PCM para audio de producción sin comprimir y μ-law para telefonía. Su API controla la frecuencia de muestreo y la tasa de bits del formato seleccionado. Los diccionarios de pronunciación pueden definir cómo se pronuncian nombres, acrónimos y términos técnicos. V4 también reconoce transcripciones IPA estándar entre barras inclinadas, como /IPA_transcription/, incluidos marcadores de acento para términos de varias sílabas; la pronunciación aún puede variar según la voz y la frase. Prepara los términos necesarios antes de la producción y mantén coherentes sus formas de pronunciación preferidas entre revisiones. El perfil del productor v4 utiliza las opciones de voz Stability y Similarity; los controles deslizantes Style y Speed no están disponibles. El ritmo y la interpretación emocional se dirigen mediante el guion y las etiquetas de audio.

Para unas instrucciones prácticas de narración, proporciona una escena terminada, la voz prevista, el idioma, el arco emocional y el destino del audio. Por ejemplo: «Lee el principio con calma, haz una pausa antes del descubrimiento y da un tono de alivio a la última intervención; mantén coherente el tono del narrador». Revisa la pronunciación, los cambios de hablante, las etiquetas o los eventos audibles y las transiciones entre pasajes. El resultado útil es una grabación de voz producida y vinculada al guion, con una toma seleccionada y las indicaciones necesarias para revisar una intervención concreta.