ElevenLabs: Eleven Turbo v2

Eleven Turbo v2 est le modèle exclusivement anglophone de synthèse vocale d’ElevenLabs pour les applications nécessitant des réponses parlées réactives. Il reçoit le texte préparé d’un énoncé et renvoie de l’audio dans une voix choisie. Le fabricant identifie Turbo v2 séparément de Turbo v2.5 multilingue et de la gamme Flash. Son rôle utile est une réponse vocale en anglais, telle qu’une confirmation, une courte explication ou l’instruction suivante dans une interface conversationnelle.

L’anglais constitue la limite linguistique caractéristique de cette édition. Fournir une autre langue ne donne pas à Turbo v2 le profil multilingue de v2.5. Choisissez une voix avec l’accent et l’interprétation nécessaires au script anglais. Une voix conversationnelle chaleureuse, un narrateur sobre et un personnage énergique peuvent faire sonner différemment la même phrase ; la voix sélectionnée fait donc partie du cahier des charges, plutôt que d’être un réglage fixe par défaut déterminé par le nom du modèle.

Préparez un script parlé propre. Le modèle synthétise les mots qui lui sont fournis ; il ne décide pas si une action a réussi et ne génère pas le raisonnement de l’application. Pour une réponse d’assistant, incluez un résultat clair et une suite naturelle. Une phrase illustrative pourrait confirmer la réception d’un document et demander son numéro de référence manquant. Gardez les instructions internes et les métadonnées en dehors des mots destinés à être entendus, car un texte descriptif ordinaire peut lui-même être prononcé.

Les noms, les abréviations et les nombres nécessitent une préparation délibérée. Écrivez un identifiant en chiffres séparés lorsqu’il doit être répété de cette manière et développez une abréviation lorsque l’auditeur doit entendre son sens complet. Pour une date, utilisez une forme parlée sans ambiguïté. Les alias de prononciation ou les graphies alternatives peuvent fournir la manière souhaitée de prononcer un nom difficile. Conservez séparément la graphie d’affichage d’origine et la forme parlée si l’application affiche aussi le message en texte.

Les réglages vocaux du producteur influent sur la cohérence, la ressemblance et le rythme. Dans son guide commun du produit TTS, le réglage de vitesse utilise 1.0 pour une vitesse inchangée et une plage de 0.7 à 1.2 ; des ajustements extrêmes peuvent influer sur le résultat. La stabilité modifie la variabilité et l’amplitude émotionnelle, tandis que la similarité contrôle la ressemblance avec la voix choisie. Ces commandes ne rendent pas la synthèse déterministe et n’établissent pas une durée exacte pour une phrase. La ponctuation et une structure de phrases complète restent importantes pour la manière de prononcer les mots.

La limite exacte de l’API Turbo v2 du producteur est de 30 000 caractères par requête. C’est un plafond d’entrée, plutôt qu’une durée audio fixe ; utilisez des phrases ou des sections complètes lorsque vous préparez un texte plus long. La famille de formats TTS d’ElevenLabs comprend MP3 pour l’écoute générale, le PCM non compressé de 16 bits, des encodages téléphoniques tels que μ-law et A-law, et Opus. Un processus de streaming peut renvoyer l’audio progressivement, tandis qu’une requête textuelle complète peut être recueillie sous forme d’enregistrement. Choisissez la sortie selon la destination de lecture et gardez le script réel avec l’audio choisi. Pour une explication plus longue, divisez le texte selon des limites porteuses de sens, plutôt que de demander à un auditeur de suivre une seule liste prolongée.

Pour une réponse d’assistance concrète en anglais, préparez le résultat exact, un nom ou un identifiant prononcés clairement et l’action suivante. Vérifiez la partie pertinente de l’enregistrement pour l’intelligibilité, l’accent et le rythme naturel. Le producteur documente une sortie non déterministe ; les mêmes réglages peuvent donc encore produire une interprétation légèrement différente. L’artefact réutilisable est l’enregistrement vocal sélectionné avec sa formulation préparée et ses réglages de voix, pour un assistant, une notification, une séquence de tutoriel ou une courte explication enregistrée.