ElevenLabs: Eleven Multilingual v2

Eleven Multilingual v2 adalah model teks ke suara ElevenLabs untuk narasi yang alami, peka terhadap emosi, dan konsisten. Model ini menerima naskah tertulis dan mengembalikan audio ucapan, dengan suara pilihan memberikan sebagian besar karakter dan aksennya. Produsen menyoroti kestabilan pada generasi yang lebih panjang, konten profesional, sulih suara karakter, pembelajaran daring, dan proyek multibahasa. Ini adalah model sintesis ucapan, terpisah dari pengubah suara Multilingual Speech to Speech yang namanya mirip.

Kumpulan yang didokumentasikan mencakup 29 bahasa: Inggris, Jepang, Mandarin, Jerman, Hindi, Prancis, Korea, Portugis, Italia, Spanyol, Indonesia, Belanda, Turki, Filipino, Polandia, Swedia, Bulgaria, Rumania, Arab, Ceko, Yunani, Finlandia, Kroasia, Melayu, Slovakia, Denmark, Tamil, Ukraina, dan Rusia. Siapkan naskah sebenarnya dalam bahasa yang didukung sebelum sintesis, alih-alih mengharapkan model suara menerjemahkannya.

Model ini dirancang untuk mempertahankan karakteristik dan kepribadian penutur pilihan di seluruh bahasa yang didukung. Aksen tetap sangat bergantung pada suara: ElevenLabs menyarankan suara yang dilatih dalam bahasa sasaran dan aksen regionalnya, karena suara nonpenutur asli dapat mempertahankan aksen asalnya atau berubah-ubah. Untuk kursus yang dilokalkan, pertahankan peran narator dan nada keseluruhan sambil menyesuaikan struktur kalimat, istilah, dan pelafalan dengan audiens. Identitas suara yang sama tidak menghilangkan kebutuhan untuk meninjau penyampaian dalam bahasa sasaran.

Batas permintaan adalah 10.000 karakter. Materi yang lebih panjang dapat dibagi menjadi bab atau bagian yang saling terhubung; alur kerja TTS bersama produsen mendokumentasikan penggunaan teks sebelumnya dan sesudahnya, atau konteks permintaan yang berdekatan, untuk mempertahankan prosodi antarpotongan. Lakukan pembagian pada batas kalimat yang bermakna dan sertakan konteks sekitar yang cukup untuk awal dan akhir petikan. Perkiraan menit per permintaan dari produsen bukan janji durasi tetap, karena kata-kata, bahasa, dan tempo menentukan panjang rekaman pilihan.

Penyampaian mengikuti makna teks, konteks naratif, tanda baca, dan suara pilihan. Stability mengendalikan variasi dan rentang emosi; similarity mengendalikan seberapa mirip hasilnya dengan suara tersebut. Panduan produk bersama menjelaskan rentang speed 0.7 hingga 1.2, dengan 1.0 mempertahankan kecepatan. Kestabilan tinggi dapat terdengar tertahan atau monoton, sedangkan kestabilan yang terlalu rendah dapat membuat penyampaian tidak menentu. Prosa tertulis tentang cara penyampaian dapat ikut diucapkan, sehingga siapkan naskah akhir alih-alih menyisipkan instruksi yang tidak boleh terdengar.

Alur kerja jeda model ini mendukung tag break SSML, berbeda dari v3 dan v4. Produsen memberikan <break time="1.5s" /> sebagai cara meminta jeda alami dan mendokumentasikan jeda hingga tiga detik. Tag break yang berlebihan dapat menyebabkan perubahan kecepatan atau artefak, dan suara pilihan dapat memengaruhi bunyi jeda. Gunakan jeda pada peralihan yang bermakna, seperti setelah definisi atau sebelum bagian berikutnya dalam instruksi bernarasi.

Multilingual v2 tidak mendukung tag fonem menurut panduan pelafalan produsen. Gunakan alias kamus atau ejaan alternatif yang disiapkan untuk menunjukkan bentuk lisan yang diinginkan bagi nama, akronim, atau istilah teknis. ElevenLabs juga menjelaskan bahwa model ini menangani angka secara lebih alami dibandingkan Flash v2.5, sementara panduan persiapannya tetap menyarankan agar angka, tanggal, dan simbol penting ditulis sebagai kata-kata yang harus diucapkan. Kode referensi dan kuantitas memerlukan pembacaan berbeda meskipun digit tertulisnya tampak serupa.

Keluarga format audio produsen mencakup MP3 untuk distribusi, PCM 16 bit tanpa kompresi untuk pekerjaan produksi, μ-law dan A-law untuk telepon, serta Opus. Generasi ucapan penuh dan streaming didokumentasikan dalam alur kerja TTS bersama. Pilih keluaran sesuai tujuan penggunaannya dan simpan naskah, suara, serta rekaman pilihan bersama-sama. Bab buku audio, narasi perusahaan, dan pelajaran singkat dapat memakai tujuan model yang sama sambil memerlukan tempo dan pembagian yang berbeda.

Untuk pelajaran praktis, tulis pengantar, definisi, contoh, dan peralihan sebagai petikan lisan yang lengkap. Tandai istilah yang memerlukan pelafalan konsisten dan gunakan jeda alami setelah konsep inti. Tinjau bagian representatif yang mengandung nama, angka, dan kalimat lebih panjang, dengan memeriksa aksen, keterpahaman, serta apakah penyampaian tetap stabil melintasi batas bagian. Artefak yang berguna adalah rekaman narasi konsisten yang dapat ditempatkan dalam kursus, buku audio, atau video bersama naskah sumbernya.