ElevenLabs: Eleven v4

Eleven v4 è il modello di sintesi vocale espressiva di ElevenLabs per contenuti prodotti, narrazione e interpretazione di personaggi. La nuova architettura usa il contesto del copione per modellare chi parla, che cosa è accaduto e come dovrebbe suonare la frase successiva. L’input è un copione scritto associato a una voce selezionata; l’output è audio. Il produttore evidenzia dialogo emotivo, produzione di audiolibri, animazione e giochi e progetti multilingue come applicazioni caratteristiche.

La direzione può essere scritta nel copione con tag audio incorporati. Tag come [laughs], [whispers] e [door slams] possono descrivere interpretazione vocale, un evento non verbale o un suono nella scena. L’aggiornamento documentato di v4 migliora il rispetto di una sequenza di quelle indicazioni rispetto a v3. Per un breve momento drammatico, scrivi le parole effettivamente pronunciate e colloca un’indicazione di interpretazione nel punto importante, anziché aggiungere un elenco scollegato di emozioni alla fine.

Pause ed enfasi usano indicazioni audio in linguaggio naturale. ElevenLabs documenta [pause] e [long pause] per le pause e indicazioni come [excited] o [sighs] per l’interpretazione. I tag SSML <break> sono disabilitati per v4, quindi un copione precedente che li usa deve essere adattato al formato di indicazioni di v4. Un tag nomina l’interpretazione desiderata; non imposta da solo un numero esatto di millisecondi e non garantisce una durata finale fissa.

Il flusso di dialogo del produttore supporta più parlanti, permettendo a una scena di contenere voci separate ed eventi sonori. Il profilo WebSocket di dialogo v4 supporta fino a dieci voci registrate, mentre quello di v4 Turbo ne usa una. Prepara un ordine chiaro dei turni dei parlanti e mantieni ogni frase associata alla voce prevista. Uno scambio illustrativo potrebbe passare da una domanda sommessamente incerta a una risposta sicura e poi a una reazione sollevata. Contenuto e transizione emotiva dovrebbero essere comprensibili dal copione stesso. Per un solo narratore, usa la stessa chiarezza per distinguere narrazione da una frase citata o un cambio d’atmosfera.

Eleven v4 supporta oltre 90 lingue, tra cui inglese, francese, tedesco, giapponese, spagnolo, portoghese e russo. Il produttore descrive qualità vocale coerente attraverso cambi di lingua. Scegli voce e pronuncia adatte alla lingua e regione della registrazione prevista; contano sia lingua del copione sia carattere della voce. Per una lezione localizzata, traduci prima le parole parlate e conserva significato, terminologia e indicazioni di interpretazione nel nuovo copione.

Una generazione supporta fino a 10.000 caratteri. Lavori più lunghi vengono preparati come più generazioni collegate, con raccordo del contesto pensato per mantenere coerenti ritmo e interpretazione tra segmenti. Dividi un capitolo su un confine naturale di frase o scena e conserva il contesto circostante. Il produttore descrive inoltre identità stabile del parlante quando una frase viene rigenerata. È utile per rivedere un passaggio mantenendo lo stesso cast e stile di interpretazione nel materiale circostante.

V4 supporta Instant Voice Clones e Professional Voice Clones nel flusso del produttore ElevenLabs. ElevenLabs evidenzia il loro ritorno in v4; la guida di prompting v3 afferma che Professional Voice Clones non sono completamente ottimizzati per v3. Instant Voice Clones o Professional Voice Clones creati prima del lancio di v4 devono essere riaddestrati per v4 per funzionare efficacemente con il modello. La clonazione vocale crea o prepara la voce usata per la sintesi; è distinta dalla conversione del copione fornito in parlato. L’identità del modello non richiede una singola voce predefinita, quindi seleziona la voce per narratore o personaggio anziché presumere che il nome del modello determini un parlante.

Il produttore documenta MP3 per ascolto generale e distribuzione multimediale, WAV o PCM per audio non compresso di produzione e μ-law per telefonia. L’API controlla frequenza di campionamento e bitrate del formato selezionato. I dizionari di pronuncia possono definire come pronunciare nomi, acronimi e termini tecnici. V4 riconosce anche trascrizioni IPA standard racchiuse tra barre oblique, come /IPA_transcription/, compresi marcatori di accento per termini multisillabici; la pronuncia può comunque variare con voce e frase. Prepara i termini richiesti prima della produzione e mantieni coerenti le forme parlate preferite nelle revisioni. Il profilo del produttore v4 usa impostazioni vocali Stability e Similarity; i cursori Style e Speed non sono disponibili. Ritmo e interpretazione emotiva sono diretti attraverso copione e tag audio.

Per un brief narrativo concreto, fornisci una scena finita, la voce prevista, la lingua, l’arco emotivo e la destinazione dell’audio. Per esempio: «Leggi l’apertura con calma, fai una pausa prima della scoperta e rendi sollevato il tono della frase finale; mantieni coerente il tono del narratore». Verifica pronuncia, cambi di parlante, tag o eventi udibili e transizioni tra passaggi. Il risultato utile è una registrazione vocale prodotta collegata al copione, con una versione scelta e indicazioni necessarie per rivedere una frase particolare.