ElevenLabs: Eleven v3 Conversational

Eleven v3 Conversational est l’édition de synthèse vocale d’ElevenLabs pour le dialogue en temps réel. Elle reçoit le texte d’une réponse préparée et renvoie de l’audio parlé, avec l’amplitude émotionnelle et l’interprétation contextuelle de la famille v3. Le producteur l’identifie séparément d’Eleven v3 ordinaire et la place dans un processus de streaming Text to Dialogue. Son rôle utile est la voix d’un assistant ou d’un personnage interactif dont l’énoncé suivant dépend de la conversation précédente.

Le modèle prend en charge plus de 70 langues, dont l’anglais, le français, l’allemand, le japonais, le coréen, l’espagnol, le portugais et le russe. Choisissez la langue de la réponse écrite et une voix avec un accent adapté. Pour un script d’assistance multilingue, adaptez la formulation à une langue parlée naturelle avant de l’envoyer en synthèse. Le modèle prononce le contenu fourni ; le raisonnement qui détermine la réponse et toute interprétation de l’entrée microphone de l’utilisateur sont des étapes distinctes de l’application.

Les balises audio offrent un contrôle fin de l’émotion et de l’interprétation. Une réponse rassurante, une question curieuse et une réaction dramatique de personnage nécessitent des interprétations différentes, même lorsque les mots sont courts. Gardez l’indice près de l’énoncé qu’il influence et conservez assez de contexte pour expliquer le changement émotionnel. Un cahier des charges illustratif peut dire : « Confirmez la correction chaleureusement, puis expliquez l’étape suivante d’une voix égale et attentive. » La réponse doit rester compréhensible sans compter sur l’indice pour fournir des informations manquantes.

Dans le processus WebSocket de dialogue documenté, l’application envoie du texte et reçoit des segments audio encodés en Base64, tandis que la connexion reste ouverte entre les phrases. Le producteur met en tampon assez de texte pour un segment de parole cohérent ; des fragments très courts peuvent attendre l’arrivée de plus de contexte ou le vidage délibéré du tampon. Les limites de tours peuvent réinitialiser la prosodie, tandis qu’un changement de locuteur marque un nouveau tour. Ces caractéristiques guident la préparation de phrases complètes, plutôt que de mots isolés, pour une réponse interactive.

Le guide commun de dialogue documente des informations facultatives d’alignement sur les segments audio lorsqu’elles sont demandées et disponibles. L’alignement peut aider à relier la parole à son texte, mais ne promet pas qu’un énoncé prescrit aura une durée fixe unique. Choisissez le format de sortie du producteur pour la lecture ou la collecte dans un fichier ; sa famille commune de formats TTS comprend MP3 et PCM, avec des encodages téléphoniques disponibles dans le processus pertinent. Une connexion de dialogue et une requête vocale complète pour un enregistrement sont des modes différents ; leurs hypothèses de préparation et de temporalité doivent donc rester distinctes.

Pour la prononciation, développez les abréviations ambiguës et écrivez les nombres sous leur forme parlée visée lorsque le sens serait autrement peu clair. Gardez les noms et la terminologie récurrente cohérents. Ne transférez pas la syntaxe IPA native du modèle v4 ni le plafond de requête de v3 ordinaire au seul motif que le nom de famille est similaire. Choisissez la voix selon le rôle conversationnel, puis vérifiez une phrase représentative pour la clarté et l’adéquation émotionnelle avant de poursuivre le script.

Pour une réponse concrète d’assistant, utilisez une idée principale, un résultat clair et une fin naturelle permettant à l’utilisateur de répondre. Par exemple : « Accusez réception de la nouvelle adresse de livraison, répétez clairement le nom de la rue et demandez si l’utilisateur souhaite modifier l’adresse enregistrée. » Pour un personnage, gardez sa personnalité établie tout en adaptant la réaction à la scène actuelle. Divisez les longues explications à des limites de phrases porteuses de sens et préservez le contexte conversationnel précédent. Le livrable est de l’audio parlé pour la réponse fournie, plutôt qu’une transcription de l’interlocuteur ou une décision générée indépendamment.