ElevenLabs: Eleven v3

Eleven v3 to ekspresyjny model zamiany tekstu na mowę firmy ElevenLabs do dialogów emocjonalnych, rozmów postaci i narracji audiobooków. Przekształca pisemny scenariusz w mowę i wykorzystuje kontekst do kształtowania zakresu emocji oraz sposobu mówienia. Producent obsługuje zarówno mowę jednym głosem, jak i przepływ dialogowy wielu rozmówców. Ta karta dotyczy nazwanej edycji v3, zachowanej oddzielnie od v3 Conversational i późniejszej rodziny v4.

Znaczniki audio wewnątrz tekstu mogą kierować emocjami, sposobem mówienia i reakcjami niewerbalnymi. Producent podaje przykłady takie jak [sad], [angry], [happily], [whispers], [shouts], [laughs], [clears throat] i [sighs]. Umieść wskazówkę blisko słów lub reakcji, na które ma wpływać. W scenie fabularnej zapisz przejście emocjonalne w rzeczywistym dialogu i użyj znacznika do wyraźnego określenia zamierzonego dźwięku, zamiast polegać na oderwanym opisie sceny.

V3 nie obsługuje znaczników SSML <break>. Przewodnik tworzenia promptów wykorzystuje znaczniki audio, interpunkcję, wielokropki i strukturę tekstu do pauz i tempa. To podejście daje wskazówki wykonawcze, a nie dokładny kontrakt czasowy. W niepewnej kwestii wielokropek i odpowiednia wskazówka głosowa mogą jasno wyrazić zamierzone wahanie. Gdy nagranie musi pasować do precyzyjnej osi czasu, dopasuj wybrane ujęcie w przepływie edycji, zamiast traktować znacznik pauzy jako jednostkę stałej długości.

Wybór głosu nadal jest ważny. Udokumentowane wskazówki mówią, że sposób mówienia już obecny w materiale szkoleniowym głosu jest łatwiejszy do odtworzenia, a nietypowe żądania mogą być mniej niezawodne. Dopasuj głos do postaci lub narratora i sprawdź, czy wybrane znaczniki dają zamierzone wykonanie. Bieżąca sekcja tworzenia promptów v3 mówi, że Professional Voice Clones nie są w pełni zoptymalizowane dla tej edycji; udokumentowane ulepszenia klonów i natywne kontrolki wymowy v4 są odrębnymi cechami edycji. Przewodnik produktu oznacza także Speed, Similarity i Speaker Boost jako niedostępne w zwykłym v3. Przygotuj tempo i sposób mówienia przez głos, znaczniki, interpunkcję i strukturę tekstu, zamiast dziedziczyć suwaki innej edycji.

Eleven v3 obsługuje ponad 70 języków, w tym angielski, francuski, niemiecki, japoński, koreański, hiszpański, portugalski i rosyjski. Wybierz głos odpowiedni dla języka i regionalnego akcentu oraz przygotuj rzeczywiste wypowiadane słowa przed syntezą. Obsługa języka nie tłumaczy automatycznie scenariusza. W lokalizowanej scenie postaci zachowaj zamiar i reakcję rozmówcy, dostosowując naturalnie słowa do odbiorców.

Żądanie zamiany tekstu na mowę obsługuje do 5000 znaków. Dziel dłuższe scenariusze na granicach pełnych scen lub fragmentów narracji, aby każdy segment miał jasny początek i koniec. Producent udostępnia tryby create i stream dla mowy oraz tryby create i stream dla dialogu. W dialogu przypisz każdą turę zamierzonemu rozmówcy i zachowaj ich kolejność. Zostaw przy zmianie emocjonalnej wystarczająco dużo otaczającego tekstu, aby przejście było zrozumiałe.

Wspólny przepływ audio producenta oferuje MP3, PCM i kodowania telefoniczne, takie jak μ-law, z dodatkowymi formatami wymienionymi w przewodniku TTS. Słowniki wymowy pomagają zachować spójność nazw i terminów technicznych. Przewodnik słowników wyraźnie wymienia v3 przy regułach fonemów i ogranicza wielojęzyczne rozszerzenie fonetyczne do v4; nie czyni to z natywnej składni IPA v4 otoczonej ukośnikami funkcji v3. Przygotuj ważną pisownię lub aliasy mówione i sprawdź wynik z wybranym głosem.

W praktycznym opisie wykonania dostarcz gotowy epizod, a nie zarys: wprowadzenie narratora, rzeczywistą kwestię postaci i reakcję zamykającą scenę. Określ, która treść jest wypowiadana, gdzie należy umieścić reakcję głosową i jaki kierunek emocji ma każdy moment. Sprawdź wymowę, tożsamość głosu, niezamierzone odczytywanie instrukcji i przejście między rozmówcami. Wynikiem jest ekspresyjne nagranie dostarczonego scenariusza, z wybranym ujęciem, które można ponownie wykorzystać lub poprawić w projekcie audio.