ElevenLabs: Eleven v3

Az Eleven v3 az ElevenLabs kifejező szövegfelolvasó modellje érzelmes párbeszédhez, karakterek beszélgetéséhez és hangoskönyv-narrációhoz. Írott szöveget alakít beszédhanggá, és a kontextust használja az érzelmi tartomány és előadás alakításához. A gyártó egyetlen hanggal megszólaltatott beszédet és többbeszélős párbeszéd-munkafolyamatot is támogat. Ez a kártya a megnevezett v3 változatról szól, külön a v3 Conversationaltól és a későbbi v4 családtól.

A szövegközi hangcímkék érzelmet, hangos előadást és nonverbális reakciókat irányíthatnak. A gyártó példái: [sad], [angry], [happily], [whispers], [shouts], [laughs], [clears throat] és [sighs]. A jelzést a befolyásolandó szavak vagy reakció közelébe helyezd. Narratív jelenetnél az érzelmi átmenetet a tényleges párbeszédbe írd, a címkével pedig tedd egyértelművé a kívánt hangzást, ahelyett hogy a jelenet különálló leírására hagyatkoznál.

A v3 nem támogatja az SSML <break> címkéket. Promptolási útmutatója hangcímkéket, írásjeleket, három pontot és szövegszerkezetet használ szünetekhez és tempóhoz. Ez előadási iránymutatást ad, nem pontos időzítési szerződést. Bizonytalan megszólalásnál a három pont és a megfelelő hangjelzés egyértelművé teheti a kívánt tétovázást. Ha a felvételnek pontos idővonalba kell illeszkednie, a kiválasztott felvételt és szerkesztési munkafolyamatot használd az elhelyezéshez, ne kezeld a szünetcímkét rögzített időegységként.

A hangválasztás továbbra is fontos. A dokumentált útmutató szerint a hang tanítási anyagában már jelen lévő előadás könnyebben reprodukálható, míg a szokatlan kérések kevésbé megbízhatók lehetnek. Igazítsd a hangot a karakterhez vagy narrátorhoz, és ellenőrizd, hogy a kiválasztott címkék a kívánt előadást eredményezik-e. A jelenlegi v3 promptolási rész szerint a Professional Voice Clones nincs teljesen optimalizálva ehhez a változathoz; a v4 dokumentált klónjavításai és natív kiejtésvezérlői külön kiadási funkciók. A termékútmutató a szokásos v3-nál a Speed, Similarity és Speaker Boost funkciókat is elérhetetlenként jelöli. A tempót és előadást a hanggal, címkékkel, írásjelekkel és szövegszerkezettel készítsd elő, ne örököld más változat csúszkáit.

Az Eleven v3 több mint 70 nyelvet támogat, köztük angolt, franciát, németet, japánt, koreait, spanyolt, portugált és oroszt. A nyelvhez és regionális akcentushoz megfelelő hangot válassz, és szintézis előtt készítsd elő a tényleges kimondandó megfogalmazást. A nyelvtámogatás nem fordítja le automatikusan a szöveget. Lokalizált karakterjelenetnél őrizd meg a beszélő szándékát és reakcióját, miközben a közönséghez természetesen igazítod a megfogalmazást.

Egy szövegfelolvasási kérés legfeljebb 5000 karaktert támogat. A hosszabb szövegeket teljes jelenet- vagy narrációs határoknál oszd fel, hogy minden szegmensnek világos eleje és vége legyen. A gyártó beszédhez és párbeszédhez is létrehozási és streamelési módot biztosít. Párbeszédnél minden fordulót rendelj a kívánt beszélőhöz, és őrizd meg sorrendjüket. Az érzelmi változáshoz tarts meg elegendő környező szöveget, hogy az átmenet érthető legyen.

A közös gyártói hangmunkafolyamat MP3-at, PCM-et és telefonos kódolásokat, például μ-law-t kínál, a TTS-útmutató további formátumokat is felsorol. A kiejtési szótárak módot adnak a nevek és szakkifejezések következetességének megőrzésére. A szótári útmutató kifejezetten felsorolja a v3-at a fonémaszabályokhoz, többnyelvű fonetikai kiterjesztését pedig a v4-re korlátozza; ettől a v4 perjelek közé tett natív IPA-szintaxisa nem válik v3-funkcióvá. Készítsd elő a fontos írásmódokat vagy kimondott aliasokat, és ellenőrizd az eredményt a kiválasztott hanggal.

Gyakorlati előadási feladatleírásban kész epizódot adj vázlat helyett: a narrátor bevezetését, a karakter tényleges sorát és a jelenetet záró reakciót. Add meg, melyik tartalom hangzik el, hová tartozik egy hangos reakció, és mi az egyes mozzanatok érzelmi iránya. Ellenőrizd a kiejtést, hangazonosságot, utasítások véletlen felolvasását és a beszélők közötti átmenetet. Az eredmény a megadott szöveg kifejező felvétele egy kiválasztott változattal, amely újra használható vagy javítható a hangprojektben.