ElevenLabs: Eleven v3 Conversational

Eleven v3 Conversational adalah edisi sintesis ucapan ElevenLabs untuk dialog waktu nyata. Model ini menerima teks balasan yang telah disiapkan dan mengembalikan audio ucapan, dengan rentang emosi dan penyampaian kontekstual keluarga v3. Produsen mengidentifikasikannya secara terpisah dari Eleven v3 biasa dan menempatkannya dalam alur kerja streaming Text to Dialogue. Peran yang berguna adalah sebagai suara asisten atau karakter interaktif yang ucapan berikutnya bergantung pada percakapan sebelumnya.

Model ini mendukung lebih dari 70 bahasa, termasuk Inggris, Prancis, Jerman, Jepang, Korea, Spanyol, Portugis, dan Rusia. Pilih bahasa balasan tertulis dan suara dengan aksen yang sesuai. Untuk naskah dukungan multibahasa, sesuaikan susunan katanya agar alami ketika diucapkan sebelum mengirimkannya ke sintesis. Model mengucapkan konten yang diberikan; penalaran yang menentukan balasan dan interpretasi masukan mikrofon pengguna merupakan tahap aplikasi yang terpisah.

Tag audio memberikan kendali terperinci atas emosi dan penyampaian. Jawaban yang menenangkan, pertanyaan penuh rasa ingin tahu, dan reaksi karakter yang dramatis memerlukan penampilan berbeda sekalipun kata-katanya pendek. Letakkan isyarat dekat ucapan yang dipengaruhinya dan pertahankan konteks yang cukup untuk menjelaskan perubahan emosi. Contoh arahan: “Konfirmasikan koreksi dengan hangat, lalu jelaskan langkah berikutnya dengan suara yang stabil dan penuh perhatian.” Balasan harus tetap dapat dipahami tanpa mengandalkan isyarat untuk mengisi informasi yang hilang.

Dalam alur kerja WebSocket dialog yang didokumentasikan, aplikasi mengirim teks dan menerima potongan audio terenkode Base64, sementara koneksi tetap terbuka antarbaris. Produsen menampung teks yang cukup untuk segmen ucapan yang koheren; fragmen sangat pendek mungkin menunggu konteks tambahan atau pengiriman buffer secara sengaja. Batas giliran dapat mengatur ulang prosodi, sedangkan pergantian penutur menandai giliran baru. Karakteristik ini memandu persiapan frasa lengkap, bukan kata-kata terpisah, untuk respons interaktif.

Panduan dialog bersama mendokumentasikan informasi penyelarasan opsional pada potongan audio ketika diminta dan tersedia. Penyelarasan dapat membantu menghubungkan ucapan dengan teksnya, tetapi tidak menjanjikan satu durasi tetap bagi ucapan yang ditentukan. Pilih format keluaran produsen untuk pemutaran atau pengumpulan berkas; keluarga format TTS bersamanya mencakup MP3 dan PCM, dengan pengodean telepon tersedia pada alur kerja yang relevan. Koneksi dialog dan permintaan ucapan lengkap yang direkam terlebih dahulu merupakan mode berbeda, sehingga persiapan dan asumsi waktunya perlu dibedakan.

Untuk pelafalan, jabarkan singkatan yang ambigu dan tulis angka dalam bentuk lisan yang dimaksud ketika maknanya akan tidak jelas jika dibiarkan. Pertahankan konsistensi nama dan istilah berulang. Jangan menerapkan sintaks IPA bawaan model v4 atau batas permintaan v3 biasa hanya karena nama keluarganya serupa. Pilih suara untuk peran percakapan, lalu tinjau kalimat representatif untuk kejelasan dan kecocokan emosi sebelum melanjutkan naskah.

Untuk respons asisten yang praktis, gunakan satu pokok pikiran, hasil yang jelas, dan penutup alami yang memungkinkan pengguna menanggapi. Contohnya: “Akui alamat pengiriman yang baru, ulangi nama jalan dengan jelas, dan tanyakan apakah pengguna ingin mengubah alamat tersimpan.” Untuk karakter, pertahankan persona yang sudah terbentuk sambil menyesuaikan reaksinya dengan adegan saat ini. Bagi penjelasan panjang pada batas kalimat yang bermakna dan pertahankan konteks percakapan sebelumnya. Hasilnya berupa audio ucapan untuk balasan yang diberikan, bukan transkrip penelepon atau keputusan yang dihasilkan secara mandiri.