ElevenLabs: Eleven Flash v2

Eleven Flash v2は、応答性が求められる音声アプリケーション向けの、ElevenLabsの英語専用音声合成モデルです。書かれた発話を受け取り、選択した声の音声を生成します。メーカーはFlashを、アシスタントの確認、音声の指示、ゲームの返答など、リアルタイムの会話や対話体験に位置付けています。この名前付きエディションは、多言語のFlash v2.5や、表現豊かなv3・v4ファミリーとは別です。

Flash v2の言語プロファイルは英語です。声は地域のアクセントや特定の調子を与えますが、それでこのエディションが多言語モデルになるわけではありません。意図した聞き手と文の目的に合う声を選んでください。アシスタントの確認、指導用ナレーター、対話キャラクターは、事実の内容が同じでも異なる抑揚を必要とする場合があります。合成前に、実際に聞かせる英語の言葉を準備してください。

1つのリクエストは最大30,000文字に対応します。上限の横に記されたメーカーのおおよその音声時間は、固定時間ではありません。対話的な返答では主な考えを1つと明確な終わりを保ち、長い録音では関連するテキストを文や節の境界で分けます。共通TTSワークフローは、つながる生成の韻律を保持するため、隣接するテキストやリクエスト文脈を文書化しています。そのため、分割しても連続する文章の関係を失う必要はありません。

Flash v2のポーズ制御はSSML breakタグを使います。製品ガイドは、自然な間を要求する例として <break time="1.5s" /> を挙げ、最大3秒を文書化しています。声は間の前後の表現に影響し、タグが多すぎると速度変化、ノイズ、アーティファクトを生じる場合があります。単語ごとではなく、聞き手に切り替えが必要な場所でbreakを使ってください。句読点や三点リーダーも時間に影響しますが、一貫性が低く、ためらうような調子を加える場合があります。

単語ごとに、IPAまたはCMU ArpabetのSSML phoneme表記を使用できます。メーカーは、v2の発音をより予測しやすくするためCMU Arpabetを推奨し、複数語の名前では各単語に別々にphonemeルールを適用するよう説明しています。発音辞書は、繰り返し使う用語の望ましい音素や別名を保持でき、照合は大文字・小文字を区別します。これはv4のネイティブなスラッシュで囲むIPA構文や、Flash v2.5の発音プロファイルとは異なります。

参照コード、日付、略語は、求める読み上げ形式に準備してください。同じ数字でも数量や識別子を表すため、整数として読むか、1桁ずつ読むかを指定します。月日を曖昧でなく書き、言葉として読ませる略語は展開してください。テキスト内の通常の説明指示は、それ自体が読み上げられる場合があります。v3・v4の表現用audioタグは、このエディションについて説明されている制御プロファイルではありません。

メーカーの形式群には、MP3、非圧縮16ビットPCM、電話向けμ-lawとA-law、Opusがあります。共通ワークフローは、完全な録音を返すことも、音声を順次返すこともできます。音声設定は安定性、類似性、ペースに影響し、文書化された速度範囲は0.7〜1.2、1.0が変更なしです。それらの設定は表現を誘導しますが、同一のテイクや最終録音の正確な長さを保証するものではありません。

実用的な英語のヘルプメッセージでは、結果を先に伝えてから次の行動を1つ示します。保存した選択を確認し、関連するフィールド名を明瞭に読み、ユーザーが次にできることを説明してください。チュートリアルでは完全な指示を書き、次の行動の前に間を置きます。選択した音声の難しい名前、数字、移行を確認してください。そのテイクを原稿と発音の準備とともに残せば、再利用できる音声の合図、通知、アシスタントの返答にできます。