ElevenLabs: Eleven v4 Turbo

Eleven v4 Turbo adalah edisi sintesis ucapan ekspresif ElevenLabs yang dirancang untuk percakapan waktu nyata dan respons agen suara. Model ini menerima teks dan mengembalikan audio ucapan, membawa rentang emosi keluarga v4 ke dalam alur kerja interaktif. Produsen membedakan tujuannya dari v4 biasa, yang disetel untuk konten produksi dan narasi. Balasan dukungan, penjelasan asisten, dan dialog karakter interaktif merupakan penggunaan Turbo yang disebutkan.

Alur kerja streaming dua arah dari produsen dapat menerima teks saat dihasilkan dan mengembalikan audio sebelum seluruh ucapan diterima. Ini mengurangi kebutuhan menunggu paragraf selesai sebelum ucapan dimulai. Tahap ini mengubah teks menjadi audio: kata-kata balasan diberikan kepada model sintesis. Mendengarkan penelepon, menentukan tindakan, dan mendeteksi interupsi merupakan fungsi terpisah dari aplikasi agen suara yang melingkupinya.

Profil WebSocket Text to Dialogue yang didokumentasikan mendaftarkan tepat satu suara untuk v4 Turbo. Ini berbeda dari profil v4, yang mendukung hingga sepuluh suara terdaftar. Sebuah koneksi dapat membawa giliran berturut-turut dengan suara pilihan, dengan sinyal giliran baru yang mengatur ulang prosodi pada batas giliran. Siapkan satu identitas penutur yang jelas untuk asisten dan pertahankan konsistensinya saat konten serta nada berubah sepanjang percakapan.

Streaming tetap membutuhkan teks yang cukup untuk membentuk segmen ucapan yang berguna. Panduan menjelaskan buffer produsen sekitar 40 karakter dan delapan kata sebelum audio parsial dimulai; buffer yang lebih pendek dapat dikirim paksa secara sengaja tanpa mengakhiri koneksi. Audio tiba dalam potongan terenkode Base64 yang dapat didekode aplikasi untuk pemutaran atau dikumpulkan menjadi berkas. Informasi penyelarasan dapat menyertai potongan ketika diminta dan tersedia. Ini adalah detail alur kerja produsen, bukan jaminan latensi tetap atau durasi tepat untuk suatu ucapan.

Tag audio dan konteks percakapan memandu penyampaian. Konfirmasi dapat terdengar senang, penjelasan penuh perhatian, dan koreksi tenang sambil mempertahankan suara yang sama. Tempatkan arahan bunyi di dekat kata-kata terkait. Contoh kalimat: “[warm] Langkah itu sudah selesai. [pause] Mari periksa item berikutnya.” Kata-katanya harus sudah menyampaikan hasil yang benar; tag membentuk bagaimana hasil itu terdengar, bukan melengkapi fakta yang hilang.

Keluarga model v4 mendukung lebih dari 90 bahasa, dengan Inggris, Prancis, Jerman, Jepang, Spanyol, Portugis, dan Rusia di antara contoh yang didokumentasikan. ElevenLabs menjelaskan identitas penutur yang stabil antar giliran dan bahasa serta mendukung Professional Voice Clones pada v4 maupun v4 Turbo. Persiapan atau kloning suara merupakan tahap terpisah dari sintesis balasan. Pilih suara dan bahasa sasaran secara eksplisit, lalu pertahankan konsistensi nama, istilah, dan bentuk lisan yang diinginkan sepanjang dialog.

Pilihan format yang didokumentasikan ElevenLabs mencakup MP3 untuk mendengarkan secara umum, PCM atau WAV tanpa kompresi untuk audio produksi, dan μ-law untuk telepon. Format keluaran yang dipilih menentukan laju sampel dan pengodean dalam alur kerja produsen. Untuk asisten, pilih format sesuai tujuan pemutaran, alih-alih meminta naskah menentukan pengodean. Tinjau nama dan singkatan penting dengan suara pilihan serta tulis susunan kata lisan yang diperlukan secara jelas. Produsen menjelaskan Stability dan Similarity sebagai pengaturan suara untuk kedua varian v4; penggeser Style dan Speed tidak tersedia pada profil ini. Gunakan teks lisan dan arahan audio untuk membentuk penyampaian.

Arahan percakapan praktis diawali balasan ringkas yang berisi satu hasil dan satu langkah berikutnya yang jelas. Contohnya: “Konfirmasikan bahwa dokumen telah diterima, lalu jelaskan satu detail yang masih diperlukan. Gunakan penyampaian yang tenang dan ramah serta pertahankan nama dokumen persis.” Bagi jawaban panjang pada batas yang bermakna dan pertahankan konteks percakapan di sekitarnya. Evaluasi kejelasan, awal dan akhir setiap giliran, serta kesesuaian emosi dengan pesan. Hasilnya berupa ucapan yang dialirkan atau dikumpulkan untuk teks dan suara pilihan, terpisah dari tahap penalaran dan mendengarkan aplikasi.