ElevenLabs: Eleven v3 Conversational

Eleven v3 Conversational ialah edisi sintesis pertuturan ElevenLabs untuk dialog masa nyata. Ia menerima teks balasan yang disediakan dan mengembalikan audio pertuturan, dengan julat emosi serta penyampaian mengikut konteks keluarga v3. Pengeluar mengenal pastinya secara berasingan daripada Eleven v3 biasa dan meletakkannya dalam aliran kerja penstriman Text to Dialogue. Peranannya yang berguna ialah suara pembantu atau watak interaktif yang ujaran seterusnya bergantung pada perbualan terdahulu.

Model ini menyokong lebih daripada 70 bahasa, termasuk bahasa Inggeris, Perancis, Jerman, Jepun, Korea, Sepanyol, Portugis dan Rusia. Pilih bahasa balasan bertulis dan suara dengan loghat yang sesuai. Untuk skrip sokongan berbilang bahasa, sesuaikan perkataan menjadi bahasa pertuturan yang semula jadi sebelum menghantarnya untuk sintesis. Model menuturkan kandungan yang diberikan; penaakulan yang menentukan balasan dan sebarang tafsiran input mikrofon pengguna ialah peringkat aplikasi yang berasingan.

Tag audio memberikan kawalan terperinci terhadap emosi dan penyampaian. Jawapan yang menenangkan, soalan yang ingin tahu dan reaksi watak yang dramatik memerlukan persembahan berbeza walaupun perkataannya pendek. Letakkan petunjuk dekat dengan ujaran yang dipengaruhinya dan kekalkan konteks yang mencukupi untuk menerangkan perubahan emosi. Contoh taklimat boleh menyatakan: “Akui pembetulan itu dengan mesra, kemudian terangkan langkah seterusnya dengan suara yang sekata dan penuh perhatian.” Balasan patut kekal dapat difahami tanpa bergantung pada petunjuk untuk membekalkan maklumat yang hilang.

Dalam aliran kerja WebSocket dialog yang didokumenkan, aplikasi menghantar teks dan menerima cebisan audio berkod Base64 sementara sambungan kekal terbuka merentas ayat. Pengeluar menimbal teks yang mencukupi untuk segmen pertuturan yang koheren; fragmen yang sangat pendek mungkin menunggu sehingga lebih banyak konteks tiba atau penimbal dikosongkan dengan sengaja. Sempadan giliran boleh menetapkan semula prosodi, manakala pertukaran penutur menandakan giliran baharu. Ciri-ciri ini memandu penyediaan frasa lengkap dan bukannya perkataan terasing untuk respons interaktif.

Panduan dialog bersama mendokumenkan maklumat penjajaran pilihan pada cebisan audio apabila diminta dan tersedia. Penjajaran boleh membantu mengaitkan pertuturan dengan teksnya, tetapi bukan janji bahawa ujaran yang ditetapkan akan mempunyai satu tempoh tetap. Pilih format output pengeluar untuk main balik atau pengumpulan fail; keluarga format TTS bersamanya merangkumi MP3 dan PCM, dengan pengekodan telefon tersedia dalam aliran kerja yang berkaitan. Sambungan dialog dan permintaan pertuturan penuh yang dirakam lebih awal ialah mod berbeza, maka andaian penyediaan dan pemasaannya patut kekal berasingan.

Untuk sebutan, tulis bentuk penuh singkatan yang mengelirukan dan tulis nombor dalam bentuk pertuturan yang dimaksudkan apabila maknanya akan menjadi tidak jelas tanpa penyediaan itu. Kekalkan nama dan istilah berulang secara konsisten. Jangan pindahkan sintaks IPA natif model v4 atau had maksimum permintaan v3 biasa semata-mata kerana nama keluarga serupa. Pilih suara untuk peranan perbualan, kemudian semak ayat yang mewakili kandungan dari segi kejelasan dan kesesuaian emosi sebelum meneruskan skrip.

Untuk respons pembantu praktikal, gunakan satu idea utama, hasil yang jelas dan penghujung semula jadi yang membolehkan pengguna membalas. Contohnya: “Akui alamat penghantaran baharu, ulang nama jalan dengan jelas dan tanya sama ada pengguna mahu alamat yang disimpan diubah.” Untuk watak, kekalkan persona yang telah ditetapkan sambil memastikan reaksi sesuai dengan adegan semasa. Bahagikan penerangan panjang pada sempadan ayat yang bermakna dan kekalkan konteks perbualan terdahulu. Hasilnya ialah audio pertuturan untuk balasan yang diberikan, bukannya transkrip pemanggil atau keputusan yang dijana secara bebas.