ElevenLabs: Eleven v3

Eleven v3 est le modèle de synthèse vocale expressive d’ElevenLabs pour les dialogues émotionnels, les discussions de personnages et la narration de livres audio. Il convertit un script écrit en audio parlé et utilise le contexte pour façonner l’amplitude émotionnelle et l’interprétation. Le producteur prend en charge la parole à voix unique et un processus de dialogue à plusieurs locuteurs. Cette fiche concerne l’édition nommée v3, gardée distincte de v3 Conversational et de la famille v4 ultérieure.

Les balises audio intégrées peuvent diriger l’émotion, l’interprétation vocale et les réactions non verbales. Le fabricant donne des exemples tels que [sad], [angry], [happily], [whispers], [shouts], [laughs], [clears throat] et [sighs]. Placez l’indice près des mots ou de la réaction qu’il doit influencer. Pour une scène narrative, écrivez la transition émotionnelle dans le dialogue réel et utilisez la balise pour rendre explicite le son visé, plutôt que de vous appuyer sur une description détachée de la scène.

V3 ne prend pas en charge les balises SSML <break>. Son guide de prompts utilise les balises audio, la ponctuation, les points de suspension et la structure du texte pour les pauses et le rythme. Cette approche fournit une indication d’interprétation, plutôt qu’un contrat temporel exact. Pour une phrase hésitante, des points de suspension et l’indice vocal pertinent peuvent rendre claire l’hésitation visée. Si un enregistrement doit s’insérer dans une chronologie précise, utilisez la prise choisie et le processus de montage pour le placer, plutôt que de traiter une balise de pause comme une unité de durée fixe.

Le choix de voix reste important. Les recommandations documentées indiquent qu’une interprétation déjà présente dans les matériaux d’entraînement de la voix est plus facile à reproduire, tandis que les demandes inhabituelles peuvent être moins fiables. Adaptez la voix au personnage ou au narrateur et vérifiez si les balises choisies produisent l’interprétation souhaitée. La section actuelle de prompts v3 indique que les Professional Voice Clones ne sont pas entièrement optimisés pour cette édition ; les améliorations documentées du clonage et les commandes natives de prononciation de v4 sont des fonctions distinctes de cette édition. Le guide du produit indique aussi que Speed, Similarity et Speaker Boost sont indisponibles pour v3 ordinaire. Préparez le rythme et l’interprétation au moyen de la voix, des balises, de la ponctuation et de la structure textuelle, plutôt que d’hériter des curseurs d’une autre édition.

Eleven v3 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 une voix adaptée à la langue et à l’accent régional et préparez la formulation réellement parlée avant la synthèse. La prise en charge linguistique ne traduit pas automatiquement un script. Pour une scène de personnage localisée, préservez l’intention et la réaction du locuteur tout en adaptant naturellement les mots au public.

Une requête de synthèse vocale prend en charge jusqu’à 5000 caractères. Divisez les scripts plus longs à des limites complètes de scène ou de narration afin que chaque segment possède un début et une fin clairs. Le producteur fournit des modes de création et de streaming pour la parole, ainsi que des modes de création et de streaming pour le dialogue. Pour le dialogue, associez chaque tour à son locuteur visé et conservez leur séquence. Gardez un changement émotionnel avec assez de texte environnant pour rendre la transition compréhensible.

Le processus audio commun du producteur propose MP3, PCM et des encodages téléphoniques tels que μ-law, avec des formats supplémentaires répertoriés dans son guide TTS. Les dictionnaires de prononciation permettent de garder les noms et les termes techniques cohérents. Le guide des dictionnaires répertorie explicitement v3 pour les règles de phonèmes et limite son extension phonétique multilingue à v4 ; cela ne fait pas de la syntaxe IPA native de v4 encadrée de barres obliques une fonction de v3. Préparez les graphies importantes ou les alias parlés et vérifiez le résultat avec la voix choisie.

Pour un cahier des charges concret d’interprétation, fournissez un épisode terminé, plutôt qu’un plan : l’introduction d’un narrateur, la phrase réelle du personnage et la réaction qui clôt la scène. Précisez quel contenu est prononcé, où une réaction vocale a sa place et la direction émotionnelle de chaque moment. Vérifiez la prononciation, l’identité vocale, la lecture involontaire d’indications et la transition entre les locuteurs. Le résultat est un enregistrement expressif du script fourni, avec une prise choisie pouvant être réutilisée ou révisée dans le projet audio.