ElevenLabs: Eleven Flash v2

Az Eleven Flash v2 az ElevenLabs kizárólag angol nyelvű beszédszintézis-modellje gyorsan reagáló hangalkalmazásokhoz. Írott megszólalást fogad, és a kiválasztott hangon beszédhangot állít elő. A gyártó a Flash-t valós idejű beszélgetésekhez és interaktív élményekhez ajánlja, például asszisztensi megerősítésekhez, elmondott utasításokhoz és játékválaszokhoz. Ez a megnevezett változat különbözik a többnyelvű Flash v2.5-től és a kifejező v3, illetve v4 családtól.

A Flash v2 nyelve az angol. Egy hang regionális akcentust és sajátos hangvételt adhat, de ettől ez a változat nem válik többnyelvű modellé. Olyan hangot válassz, amely illik a hallgatóhoz és a megszólalás céljához. Egy asszisztensi megerősítés, egy oktató narrátor és egy interaktív karakter eltérő beszédritmust igényelhet akkor is, ha a tényszerű tartalom azonos. Szintézis előtt készítsd elő a ténylegesen kimondandó angol szavakat.

Egy kérés legfeljebb 30 000 karaktert támogat. A gyártó e korlát mellett közölt hozzávetőleges hanghossza nem rögzített időtartam. Interaktív válasznál egy fő gondolatot és világos lezárást tarts meg; hosszabb felvételnél mondat- vagy szakaszhatároknál oszd fel az összetartozó szöveget. A közös TTS-munkafolyamat a szomszédos szöveget vagy kéréskontextust is dokumentálja az összekapcsolódó generálások prozódiájának megőrzéséhez, így a tagolás nem feltétlenül szakítja meg az egymást követő részletek kapcsolatát.

A Flash v2 szünetkezelése SSML break címkéket használ. A termékútmutató természetes szünet kérésére a <break time="1.5s" /> alakot adja meg, legfeljebb három másodperces dokumentált szünettel. A hang befolyásolja a szünet körüli előadást, a túl sok címke pedig sebességváltozást, zajt vagy hanghibákat okozhat. Ott használj szünetet, ahol a hallgatónak átmenetre van szüksége, ne minden szó között. Az írásjelek és a három pont szintén befolyásolhatják az időzítést, de kevésbé következetesek, és bizonytalan hangvételt adhatnak.

Az egyes szavakhoz IPA- vagy CMU Arpabet-alapú SSML fonémajelölés használható. A gyártó a kiszámíthatóbb v2-kiejtéshez CMU Arpabetet ajánl, és azt írja, hogy több szóból álló névnél a fonémaszabályokat minden szóra külön kell alkalmazni. A kiejtési szótárak megőrizhetik egy ismétlődő kifejezés kívánt fonémáját vagy aliasát; egyezésvizsgálatuk megkülönbözteti a kis- és nagybetűket. Ez eltér a v4 perjelek közé tett natív IPA-szintaxisától és a Flash v2.5 kiejtési működésétől.

A hivatkozási kódokat, dátumokat és rövidítéseket a kívánt kimondott alakban készítsd elő. Ugyanazok a számjegyek mennyiséget vagy azonosítót jelenthetnek, ezért add meg, hogy a hallgatónak egy teljes számot vagy külön számjegyeket kell hallania. A hónapot és a dátumot egyértelműen írd le, és bontsd ki a szavakként kimondandó rövidítéseket. A szövegben szereplő közönséges magyarázó utasítás maga is felolvasható; a v3 és v4 kifejező hangcímkéi nem az ehhez a változathoz leírt vezérlők.

A gyártó formátumcsaládja MP3-at, tömörítetlen 16 bites PCM-et, telefonáláshoz μ-law-t és A-law-t, valamint Opust tartalmaz. A közös munkafolyamat teljes felvételt adhat át, vagy fokozatosan küldheti vissza a beszédet. A hangbeállítások hatással vannak a stabilitásra, a hasonlóságra és a tempóra, dokumentált sebességtartományuk 0.7–1.2, ahol az 1.0 változatlan sebesség. Ezek a beállítások irányítják az előadást, de nem garantálnak azonos felvételt vagy pontos végső hosszt.

Egy gyakorlati angol súgóüzenetben először az eredményt közöld, majd egy következő lépést: erősítsd meg a mentett választást, jól ejtsd ki a megfelelő mező nevét, és mondd el, mit tehet ezután a felhasználó. Oktatóanyaghoz teljes utasítást írj, és a következő művelet előtt használj szünetet. Ellenőrizd a kiválasztott hanganyag nehéz neveit, számait és átmeneteit. A felvételt a szöveggel és kiejtési előkészítéssel együtt őrizd meg, hogy újra használható hangos jelzés, értesítés vagy asszisztensválasz lehessen belőle.