ElevenLabs: Eleven Turbo v2

Az Eleven Turbo v2 az ElevenLabs kizárólag angol nyelvű szövegfelolvasó modellje olyan alkalmazásokhoz, amelyeknek gyorsan reagáló, elmondott válaszokra van szükségük. A megszólalás előkészített szövegét kapja meg, és a kiválasztott hangon ad vissza hanganyagot. A gyártó a Turbo v2-t külön kezeli a többnyelvű Turbo v2.5-től és a Flash sorozattól. Hasznos szerepe egy angol nyelvű hangos válasz, például megerősítés, rövid magyarázat vagy a következő utasítás egy társalgási felületen.

Ennek a változatnak meghatározó nyelvi korlátja az angol. Más nyelv megadásától a Turbo v2 nem kapja meg a v2.5 többnyelvű képességeit. Olyan hangot válassz, amelynek akcentusa és előadásmódja megfelel az angol szövegnek. Egy barátságos társalgási hang, egy visszafogott narrátor és egy energikus karakter ugyanazt a mondatot eltérően szólaltathatja meg, ezért a kiválasztott hang az elképzelés része, nem a modell nevéből következő állandó alapérték.

Készíts tiszta, felolvasásra szánt szöveget. A modell a megadott szavakat szintetizálja; nem dönti el, hogy egy művelet sikerült-e, és nem állítja elő az alkalmazás következtetéseit. Egy asszisztensválasz tartalmazzon egy világos eredményt és egy természetes következő lépést. Például visszaigazolhatja egy dokumentum beérkezését, majd elkérheti a hiányzó hivatkozási számot. A belső utasításokat és metaadatokat tartsd távol a meghallgatásra szánt szavaktól, mert a közönséges leíró szöveg maga is elhangozhat.

A nevek, rövidítések és számok tudatos előkészítést igényelnek. Az azonosítót külön számjegyenként írd le, ha így kell visszamondani, és bontsd ki a rövidítést, ha a hallgatónak a teljes jelentést kell hallania. Dátumhoz egyértelműen kimondható alakot használj. Kiejtési aliasok vagy alternatív írásmódok jelezhetik egy nehéz név kívánt kiejtését. Ha az alkalmazás szövegként is megjeleníti az üzenetet, az eredeti megjelenítési írásmódot a kimondott alaktól külön őrizd meg.

A gyártó hangbeállításai befolyásolják az egyenletességet, a hasonlóságot és a tempót. A közös TTS-termékútmutatóban az 1.0 sebességérték változatlan sebességet jelent, a tartomány pedig 0.7–1.2; a szélsőséges módosítások hatással lehetnek az eredményre. A stabilitás a változékonyságot és az érzelmi tartományt, a hasonlóság pedig a kiválasztott hanghoz való hasonlóságot módosítja. Ezek a vezérlők nem teszik determinisztikussá a szintézist, és nem határozzák meg egy megszólalás pontos időtartamát. A szavak előadásában továbbra is fontos az írásjelezés és a teljes mondatszerkezet.

A gyártó pontos Turbo v2 API-korlátja kérésenként 30 000 karakter. Ez bemeneti felső határ, nem rögzített hangidőtartam; hosszabb szöveg előkészítésekor teljes mondatokat vagy szakaszokat használj. Az ElevenLabs TTS-formátumcsaládja általános hallgatásra MP3-at, tömörítetlen 16 bites PCM-et, telefonos kódolásokat, például μ-law-t és A-law-t, valamint Opust tartalmaz. A streamelési munkafolyamat fokozatosan adhatja vissza a hangot, míg a teljes szövegkérés felvételként gyűjthető össze. A kimenetet a lejátszás céljához válaszd, és a tényleges szöveget a kiválasztott hanganyaggal együtt őrizd meg. Hosszabb magyarázatnál értelmes határok mentén oszd fel a szöveget, ahelyett hogy egyetlen elnyújtott felsorolás követését várnád a hallgatótól.

Egy gyakorlati angol ügyfélszolgálati válaszhoz készítsd elő a pontos eredményt, egy jól kimondott nevet vagy azonosítót és a következő teendőt. Ellenőrizd a felvétel megfelelő részének érthetőségét, akcentusát és természetes ritmusát. A gyártó nem determinisztikus kimenetet dokumentál, ezért ugyanazok a beállítások is eredményezhetnek kissé eltérő előadást. Az újra felhasználható anyag a kiválasztott beszédfelvétel az előkészített szöveggel és hangbeállításokkal együtt, asszisztenshez, értesítéshez, oktatási hangjelzéshez vagy rövid rögzített magyarázathoz.