ElevenLabs: Eleven Flash v2.5

Az Eleven Flash v2.5 az ElevenLabs többnyelvű szövegfelolvasó modellje valós idejű és interaktív alkalmazásokhoz. A megadott szöveges választ beszédhanggá alakítja, és a gyors válaszadást természetes előadással, valamint következetes hangjellemzőkkel egyensúlyozza. A gyártó jellemző felhasználásként hangügynököket, chatbotokat, játékokat és azonnali visszajelzést igénylő alkalmazásokat, valamint nagyobb léptékű szövegfelolvasást nevez meg.

A modell 32 nyelvet támogat: a Multilingual v2 29 nyelvét, továbbá a magyart, norvégot és vietnámit. A dokumentált készletben szerepel az angol, japán, kínai, német, hindi, francia, koreai, portugál, olasz, spanyol, indonéz, holland, török, filippínó, lengyel, svéd, bolgár, román, arab, cseh, görög, finn, horvát, maláj, szlovák, dán, tamil, ukrán és orosz. Ez eltér a kizárólag angol Flash v2-től. Válaszd ki a szöveg nyelvét és a hozzá illő regionális hangot, ne feltételezd, hogy egy angol hang akcentusa minden lokalizációhoz megfelelő.

Egy kérés legfeljebb 40 000 karaktert támogat. A gyártó a karaktertáblázat mellett hozzávetőleges hangidőtartamokat is megad, de a karakterkorlát nem rögzített felvételhossz. A beszédtempó, a nyelv, az írásjelezés és a hang előadásmódja módosítja az időtartamot. Élő válaszhoz sokkal rövidebb, teljes fordulatokat használj; hosszabb felvételnél értelmes szakaszoknál tagold a szöveget, és őrizd meg a határok körüli kontextust. A magas karakterhatár hasznos a forrás előkészítésénél, de nem tesz könnyen hallgathatóvá egy hosszú, megszakítás nélküli választ.

A számnormalizálás lényeges eltérés ennél a modellnél. A kifejezetten Flash v2.5-ről szóló rész szerint a kis késleltetésű működésben a normalizálás alapértelmezés szerint ki van kapcsolva, és a telefonszámok, dátumok vagy pénzösszegek váratlanul hangozhatnak el. A szintézis előtt készítsd elő a kívánt kimondott alakot. Döntsd el, hogy a szám mennyiség, hivatkozási kód vagy külön visszamondandó számjegyek sorozata. Dátumnál úgy írd le a hónapot és napot, ahogy a közönségnek hallania kell; rövidítésnél add meg a kibontott alakot, ha szavakként kell elhangoznia.

A kiejtés átírt írásmóddal vagy szótári aliasokkal irányítható. A gyártó szótári útmutatója a fonémaszabályokat a megnevezett v4, v3 és Flash v2 modellekhez tartja fenn, más változatokhoz aliasokat ajánl, ezért a Flash v2.5 nem örökli a Flash v2 fonémacímke-támogatását. Az ismétlődő nevek és kifejezések kívánt kiejtését őrizd meg, és ellenőrizd a kiválasztott hanggal. Ha érzelmi előadásmódot leíró prózát utasításként illesztesz a közönséges szövegbe, az maga is elhangozhat; a kívánt felvételhez tiszta, végleges szöveget készíts.

A közös TTS-munkafolyamat támogatja a streamelt hangot és a teljes beszédgenerálást. Formátumcsaládja MP3-at, tömörítetlen 16 bites PCM-et, telefonáláshoz μ-law-t és A-law-t, valamint Opust tartalmaz. Válassz a lejátszás céljához illő formátumot, és a létrehozott szöveget is tartsd elérhetően a hang mellett. Az ElevenLabs hangvezérlői befolyásolhatják az egyenletességet és a sebességet, míg a kívánt ritmus jelentős részét a megfogalmazás és az írásjelezés adja. Ezek a gyártó munkafolyamatának lehetőségei; nem jelentik azt, hogy egy adott alkalmazás minden vezérlőt elérhetővé tesz. A termékútmutató a Flash v2.5-nél kifejezetten támogatja az SSML-szüneteket, például a <break time="1.5s" /> alakot, legfeljebb három másodperces szünetekkel. A túl sok break címke hatással lehet a sebességre, vagy hanghibákat okozhat. A közös sebességvezérlő tartománya 0.7–1.2, ahol az 1.0 változatlan sebességet jelent.

Asszisztenshez egy világos eredményt és egy következő lépést fogalmazz meg társalgási mondatban. Egy gyakorlati megszólalás megerősítheti egy művelet befejezését, majd elmondhatja, melyik egyetlen mező hiányzik még. Játékban vagy oktatóanyagban az utasítás maradjon elég rövid ahhoz, hogy a felhasználó az éppen végzett tevékenység közben is megértse. Többnyelvű projektben a tényleges megfogalmazást igazítsd a nyelvhez, ne csupán a szavakat cseréld ki, és őrizd meg a nevek, műveletek és feltételek jelentését.

Ellenőrizz egy jellemző részletet, amely tartalmazza a szöveg nehéz részét: nevet, azonosítót, dátumot vagy hosszabb magyarázatot. Figyeld az érthetőséget, az akcentust, a tempót és azt, hogy a számok a kívánt módon hangzanak-e el. A gyártó dokumentációja szerint a szintézis nem determinisztikus, ezért hasonló bemenetekkel is változhat a pontos felvétel. A kiválasztott hanganyagot és a kimondott szöveg előkészített változatát együtt őrizd meg újra használható anyagként értesítéshez, súgóválaszhoz, interaktív karakterhez vagy rögzített magyarázathoz.