ElevenLabs: Eleven Turbo v2

Eleven Turbo v2は、素早い音声応答を必要とするアプリケーション向けの、ElevenLabsの英語専用テキスト読み上げモデルです。準備された発話テキストを受け取り、選択した声の音声を返します。メーカーは、Turbo v2を多言語のTurbo v2.5やFlash系統と別のものとして示しています。有用な役割は、確認、短い説明、会話インターフェースでの次の指示など、英語の音声応答です。

英語は、このエディションを定める言語の境界です。別の言語を入力しても、Turbo v2がv2.5の多言語プロファイルを持つことにはなりません。英語の読み上げ原稿に必要なアクセントや表現の声を選んでください。温かみのある会話の声、控えめな語り口のナレーター、元気なキャラクターでは、同じ文でも聞こえ方が変わります。そのため、声の選択は指示の一部であり、モデル名で決まる固定の既定値ではありません。

明確な読み上げ原稿を準備してください。モデルは与えられた言葉を合成し、行動が成功したかを判断したり、アプリケーションの推論を生成したりするわけではありません。アシスタントの返答では、明確な結果を1つと自然な次の行動を含めます。例となる文なら、文書を受け取ったことを確認し、欠けている参照番号を尋ねられます。通常の説明テキスト自体も読み上げられる可能性があるため、内部指示やメタデータは、聞かせる言葉の外に置いてください。

名前、略語、数字は意図的な準備が必要です。識別子を数字ごとに復唱する必要があれば、桁を分けて書き、略語の完全な意味を聞かせたい場合は展開します。日付には、曖昧でない読み上げ形式を使ってください。発音の別名や代替表記で、難しい名前の望ましい読み方を指定できます。アプリケーションがメッセージをテキストでも表示する場合は、元の表示表記を読み上げ形式と別に残してください。

メーカーの音声設定は、一貫性、声の類似性、ペースに影響します。共通のTTS製品ガイドでは、speedは速度を変えない値が1.0、範囲は0.7〜1.2で、極端な調整は結果に影響する場合があります。Stabilityは変動性と感情の幅を変え、similarityは選択した声への似方を制御します。これらの制御で合成が決定的になるわけではなく、1文の正確な長さが定まるわけでもありません。句読点と完全な文構造は、言葉の表現方法に引き続き重要です。

メーカーのTurbo v2固有のAPI上限は、リクエストあたり30,000文字です。これは入力の上限であり、固定の音声時間ではありません。長いテキストは完全な文や節として準備してください。ElevenLabsのTTS形式群には、一般的な再生向けのMP3、非圧縮16ビットPCM、μ-lawやA-lawなどの電話用エンコード、Opusが含まれます。ストリーミングのワークフローは音声を順次返し、完全なテキストのリクエストは録音として収集できます。再生先に合わせて出力を選び、実際の読み上げ原稿を選んだ音声とともに残してください。長い説明では、1つの長大なリストを聞かせるのではなく、意味のある境界でテキストを分割します。

実用的な英語のサポート応答では、正確な結果、明瞭に読み上げる名前や識別子、次の行動を準備してください。録音の関連箇所を確認し、聞き取りやすさ、アクセント、自然なリズムを点検します。メーカーは非決定的な出力を文書化しているため、同じ設定でも少し異なる表現になる場合があります。再利用する成果物は、選択した音声の録音と、準備した表現、音声設定の組です。アシスタント、通知、チュートリアルの音声合図、短い録音の説明に使用できます。