ElevenLabs: Eleven Multilingual v2

Eleven Multilingual v2 est le modèle de synthèse vocale d’ElevenLabs pour une narration naturelle, sensible aux émotions et cohérente. Il accepte un script écrit et renvoie de l’audio parlé, la voix choisie apportant une grande partie de son caractère et de son accent. Le producteur met en avant la stabilité sur les générations plus longues, les contenus professionnels, les voix de personnages, l’apprentissage en ligne et les projets multilingues. C’est un modèle de synthèse vocale, distinct du modificateur de voix Multilingual Speech to Speech au nom similaire.

L’ensemble documenté contient 29 langues : l’anglais, le japonais, le chinois, l’allemand, l’hindi, le français, le coréen, le portugais, l’italien, l’espagnol, l’indonésien, le néerlandais, le turc, le filipino, le polonais, le suédois, le bulgare, le roumain, l’arabe, le tchèque, le grec, le finnois, le croate, le malais, le slovaque, le danois, le tamoul, l’ukrainien et le russe. Préparez le script réel dans une langue prise en charge avant la synthèse, plutôt que d’attendre du modèle vocal qu’il le traduise.

Le modèle est conçu pour conserver les caractéristiques et la personnalité du locuteur choisi dans les langues prises en charge. L’accent dépend néanmoins fortement de la voix : ElevenLabs recommande une voix entraînée dans la langue cible et avec l’accent régional visé, car une voix non native peut conserver son accent d’origine ou dériver. Pour un cours localisé, préservez le rôle du narrateur et le ton général tout en adaptant la structure des phrases, la terminologie et la prononciation au public. Une identité vocale partagée ne supprime pas la nécessité de vérifier l’interprétation dans la langue cible.

La limite par requête est de 10 000 caractères. Un contenu plus long peut être divisé en chapitres ou en sections reliés ; le processus commun de TTS du producteur documente le texte précédent et suivant, ou le contexte des requêtes voisines, pour préserver la prosodie entre les segments. Gardez la division à une limite de phrase porteuse de sens et fournissez assez de contexte environnant pour le début et la fin d’un passage. Les minutes approximatives par requête du fabricant ne constituent pas une promesse de durée fixe, car les mots, la langue et le rythme déterminent la longueur de l’enregistrement choisi.

L’interprétation suit le sens du texte, le contexte narratif, la ponctuation et la voix choisie. La stabilité contrôle la variabilité et l’amplitude émotionnelle ; la similarité contrôle la ressemblance du résultat avec la voix. Le guide commun du produit décrit une plage de vitesse de 0.7 à 1.2, avec 1.0 pour une vitesse inchangée. Une stabilité élevée peut paraître retenue ou monotone, tandis qu’une stabilité trop faible peut rendre l’interprétation irrégulière. Des indications écrites d’interprétation peuvent elles-mêmes être prononcées ; préparez donc le script définitif plutôt que d’y intégrer des instructions qui ne doivent jamais être entendues.

Le processus de pauses de ce modèle prend en charge les balises SSML break, contrairement à v3 et v4. Le producteur donne <break time="1.5s" /> comme moyen de demander une pause naturelle et documente des pauses allant jusqu’à trois secondes. Des balises break excessives peuvent introduire des variations de vitesse ou des artefacts, et la voix choisie peut influer sur le rendu d’une pause. Utilisez les pauses aux transitions porteuses de sens, par exemple après une définition ou avant la partie suivante d’une instruction narrée.

Multilingual v2 ne prend pas en charge les balises de phonèmes dans le guide de prononciation du fabricant. Utilisez des alias de dictionnaire ou une graphie alternative préparée pour indiquer la forme parlée souhaitée d’un nom, d’un acronyme ou d’un terme technique. ElevenLabs décrit aussi ce modèle comme traitant les nombres plus naturellement que Flash v2.5, tandis que ses recommandations de préparation préconisent toujours d’écrire les nombres, les dates et les symboles critiques sous la forme des mots à prononcer. Un code de référence et une quantité nécessitent des lectures différentes, même lorsque leurs chiffres écrits se ressemblent.

La famille de formats audio du producteur comprend MP3 pour la distribution, le PCM non compressé de 16 bits pour la production, μ-law et A-law pour la téléphonie, et Opus. La génération vocale complète et le streaming sont documentés dans le processus commun de TTS. Choisissez la sortie selon la destination visée et conservez ensemble le script, la voix et l’enregistrement sélectionné. Un chapitre de livre audio, une narration d’entreprise et une courte leçon peuvent utiliser la même fonction du modèle tout en nécessitant des rythmes et des segmentations différents.

Pour une leçon concrète, rédigez l’introduction, les définitions, l’exemple et la transition sous forme de passages parlés complets. Repérez les termes nécessitant une prononciation cohérente et utilisez une pause naturelle après le concept central. Vérifiez une partie représentative contenant des noms, des nombres et une phrase plus longue, en contrôlant l’accent, l’intelligibilité et la régularité de l’interprétation à travers la limite de section. L’artefact utile est un enregistrement de narration cohérent pouvant être placé dans le cours, le livre audio ou la vidéo avec son script source.