ElevenLabs: Eleven Flash v2.5

Eleven Flash v2.5 é o modelo multilingue de conversão de texto em fala da ElevenLabs, concebido para aplicações em tempo real e interativas. Transforma uma resposta de texto fornecida em áudio falado e combina um perfil de resposta rápida com uma elocução natural e características vocais consistentes. O fabricante indica como utilizações típicas os agentes de voz, os chatbots, os jogos e as aplicações que exigem uma resposta imediata, bem como a conversão de texto em fala em maior escala.

O modelo suporta 32 idiomas: os 29 do conjunto Multilingual v2, mais húngaro, norueguês e vietnamita. O conjunto documentado inclui inglês, japonês, chinês, alemão, hindi, francês, coreano, português, italiano, espanhol, indonésio, neerlandês, turco, filipino, polaco, sueco, búlgaro, romeno, árabe, checo, grego, finlandês, croata, malaio, eslovaco, dinamarquês, tâmil, ucraniano e russo. Distingue-se, assim, do Flash v2, que só suporta inglês. Escolha o idioma do guião e uma voz regional adequada, em vez de presumir que o sotaque de uma voz inglesa serve para todas as localizações.

Um pedido suporta até 40 000 caracteres. O produtor apresenta durações aproximadas de áudio junto da tabela de caracteres, mas um limite de caracteres não corresponde a uma duração fixa de gravação. A velocidade de fala, o idioma, a pontuação e a elocução da voz alteram a duração. Para uma resposta em direto, use frases completas muito mais curtas; para uma gravação mais longa, divida o guião em secções com sentido e conserve o contexto junto dos pontos de divisão. Um limite elevado de caracteres ajuda a preparar o texto de origem, mas não torna uma resposta longa e ininterrupta fácil de ouvir.

A normalização de números é uma diferença importante neste modelo. A secção específica do Flash v2.5 indica que a normalização está desativada por predefinição no seu perfil de baixa latência e que números de telefone, datas ou valores monetários podem ser lidos de forma inesperada. Prepare a forma falada pretendida antes da síntese. Decida se um número representa uma quantidade, um código de referência ou algarismos a repetir individualmente. Numa data, escreva o mês e o dia como o público os deve ouvir; numa abreviatura, forneça a forma por extenso quando se pretende que seja pronunciada como palavras.

A pronúncia pode ser orientada através de grafias adaptadas ou de aliases de dicionário. O guia de dicionários do fabricante reserva as regras de fonemas para os modelos v4, v3 e Flash v2 explicitamente identificados e recomenda aliases para as restantes edições; por isso, não se deve atribuir ao Flash v2.5 o suporte de etiquetas de fonemas do Flash v2. Mantenha uma pronúncia preferida para nomes e termos recorrentes e verifique-a com a voz selecionada. Se incluir prosa emocional como instrução no texto normal, essa própria instrução pode ser pronunciada; prepare um guião final limpo para a gravação pretendida.

O fluxo de trabalho TTS partilhado suporta áudio em streaming e geração de fala completa. A família de formatos inclui MP3, PCM não comprimido de 16 bits, μ-law e A-law para telefonia, e Opus. Escolha o formato de acordo com o destino de reprodução e mantenha o texto gerado disponível junto do áudio. Os controlos de voz da ElevenLabs podem influenciar a consistência e a velocidade, enquanto a redação e a pontuação do guião fornecem grande parte do ritmo pretendido. Estas são opções do fluxo de trabalho do produtor e não permitem presumir que todos os controlos estejam disponíveis numa aplicação específica. O guia do produto suporta explicitamente pausas SSML no Flash v2.5, por exemplo <break time="1.5s" />, com pausas até três segundos. O uso excessivo de etiquetas de pausa pode afetar a velocidade ou introduzir artefactos. O controlo de velocidade partilhado varia entre 0.7 e 1.2; 1.0 mantém a velocidade inalterada.

Para um assistente, prepare um resultado claro e um próximo passo numa frase de tom conversacional. Uma formulação prática pode confirmar que uma ação terminou e depois explicar qual é o único campo ainda necessário. Num jogo ou tutorial, mantenha a instrução suficientemente curta para ser compreendida enquanto o utilizador continua a sua atividade. Num projeto multilingue, adapte a formulação efetiva, em vez de apenas substituir vocabulário, e preserve o significado dos nomes, das ações e das condições.

Reveja um trecho representativo que contenha a parte difícil do guião: um nome, um identificador, uma data ou uma explicação mais longa. Verifique a inteligibilidade, o sotaque, o ritmo e se os números são pronunciados da forma pretendida. A documentação do produtor descreve a síntese como não determinística, pelo que a gravação exata pode variar mesmo com entradas semelhantes. Conserve o áudio escolhido e o texto preparado para a fala como artefacto reutilizável numa notificação, resposta de ajuda, personagem interativa ou explicação gravada.