ElevenLabs: Eleven Multilingual v2

Az Eleven Multilingual v2 az ElevenLabs szövegfelolvasó modellje természetes, érzelmileg árnyalt és egyenletes narrációhoz. Írott szöveget fogad, és elmondott hanganyagot ad vissza, amelynek karakterét és akcentusát nagyrészt a kiválasztott hang adja. A gyártó a hosszabb generálások stabilitását, a professzionális tartalmakat, karakterhangokat, e-learninget és többnyelvű projekteket emeli ki. Beszédszintézis-modell, amely különbözik a hasonló nevű Multilingual Speech to Speech hangátalakítótól.

A dokumentált készlet 29 nyelvet tartalmaz: 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. A szintézis előtt készítsd el a tényleges szöveget egy támogatott nyelven, és ne várd a hangmodelltől a fordítást.

A modellt úgy tervezték, hogy a támogatott nyelveken megtartsa a kiválasztott beszélő jellemzőit és személyiségét. Az akcentus továbbra is erősen függ a hangtól: az ElevenLabs a célnyelven és a kívánt regionális akcentussal betanított hangot javasol, mert egy nem anyanyelvi hang megőrizheti eredeti akcentusát, vagy eltérhet tőle. Egy lokalizált kurzusnál őrizd meg a narrátor szerepét és általános hangvételét, miközben a mondatszerkezetet, terminológiát és kiejtést a közönséghez igazítod. A közös hangazonosság nem szünteti meg a célnyelvi előadás ellenőrzésének szükségességét.

A kéréskorlát 10 000 karakter. A hosszabb anyag összefüggő fejezetekre vagy szakaszokra bontható; a gyártó közös TTS-munkafolyamata az előző és következő szöveget, illetve a szomszédos kérések kontextusát is dokumentálja a darabok közötti prozódia megőrzéséhez. Értelmes mondathatárnál válaszd szét a szöveget, és adj elegendő környező kontextust egy rész elejéhez és végéhez. A gyártó kérésenkénti hozzávetőleges percadatai nem ígérnek rögzített időtartamot, mert a szavak, a nyelv és a tempó határozza meg a kiválasztott felvétel hosszát.

Az előadás a szöveg jelentését, narratív kontextusát, írásjeleit és a kiválasztott hangot követi. A stabilitás a változékonyságot és az érzelmi tartományt, a hasonlóság pedig a hanghoz való hasonlóság mértékét szabályozza. A közös termékútmutató 0.7–1.2 sebességtartományt ír le, ahol az 1.0 változatlan sebességet jelent. A nagy stabilitás visszafogottnak vagy monotonnak hathat, míg a túl kis stabilitás kiszámíthatatlanná teheti az előadást. Az írott előadásmód-leírás maga is elhangozhat, ezért a végleges szöveget készítsd elő, és ne ágyazz bele olyan utasításokat, amelyeket nem szabad meghallani.

A modell szünetkezelése a v3-mal és a v4-gyel ellentétben támogatja az SSML break címkéket. A gyártó a <break time="1.5s" /> alakot adja meg természetes szünet kérésére, és legfeljebb három másodperces szüneteket dokumentál. A túl sok break címke sebességváltozást vagy hanghibákat okozhat, és a kiválasztott hang is hatással lehet a szünet megszólalására. Értelmes átmeneteknél használj szünetet, például egy meghatározás után vagy egy elmondott utasítás következő része előtt.

A gyártó kiejtési útmutatója szerint a Multilingual v2 nem támogatja a fonémacímkéket. Szótári aliasokkal vagy előkészített alternatív írásmóddal jelezd egy név, betűszó vagy szakkifejezés kívánt kimondott alakját. Az ElevenLabs szerint a modell a Flash v2.5-nél természetesebben kezeli a számokat, ugyanakkor az előkészítési útmutató továbbra is azt javasolja, hogy a fontos számokat, dátumokat és szimbólumokat a kimondandó szavakkal írd le. Egy hivatkozási kód és egy mennyiség eltérő felolvasást igényel akkor is, ha leírva hasonló számjegyekből áll.

A gyártó hangformátum-családja terjesztéshez MP3-at, gyártási munkához tömörítetlen 16 bites PCM-et, telefonáláshoz μ-law-t és A-law-t, valamint Opust tartalmaz. A közös TTS-munkafolyamat teljes beszédgenerálást és streamelést is dokumentál. Válassz a tervezett felhasználási helyhez illő kimenetet, és együtt őrizd meg a szöveget, a hangot és a kiválasztott felvételt. Egy hangoskönyv-fejezet, egy vállalati narráció és egy rövid lecke ugyanazt a modellt használhatja, miközben eltérő tempót és tagolást igényel.

Egy gyakorlati leckéhez a bevezetést, meghatározásokat, példát és átvezetést teljes, elmondható szakaszokként írd meg. Jelöld a következetes kiejtést igénylő kifejezéseket, és az alapfogalom után használj természetes szünetet. Ellenőrizz egy neveket, számokat és egy hosszabb mondatot tartalmazó jellemző részt: figyeld az akcentust, az érthetőséget és azt, hogy az előadás egyenletes marad-e a szakaszhatáron. A hasznos eredmény egy egyenletes narrációs felvétel, amely forrásszövegével együtt elhelyezhető a kurzusban, hangoskönyvben vagy videóban.