ElevenLabs: Eleven Multilingual v2

Eleven Multilingual v2 é o modelo de texto para fala da ElevenLabs para narração natural, sensível à emoção e consistente. Aceita um guião escrito e devolve áudio falado, com a voz selecionada a fornecer grande parte do carácter e do sotaque. O produtor destaca estabilidade em gerações mais longas, conteúdo profissional, vozes de personagens, aprendizagem eletrónica e projetos multilingues. É um modelo de síntese de fala, separado do modificador de voz com nome semelhante Multilingual Speech to Speech.

O conjunto documentado contém 29 línguas: 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. Prepare o guião real numa língua suportada antes da síntese, em vez de esperar que o modelo de voz o traduza.

O modelo foi concebido para conservar as características e a personalidade do locutor escolhido nas línguas suportadas. O sotaque continua a depender fortemente da voz: a ElevenLabs recomenda uma voz treinada na língua e no sotaque regional de destino, porque uma voz não nativa pode conservar o seu sotaque original ou desviar-se. Num curso localizado, preserve o papel do narrador e o tom geral, adaptando a estrutura das frases, a terminologia e a pronúncia ao público. Uma identidade de voz partilhada não elimina a necessidade de rever a expressão na língua de destino.

O limite por pedido é de 10 000 caracteres. Material mais longo pode ser dividido em capítulos ou secções ligados; o fluxo TTS partilhado do produtor documenta texto anterior e seguinte, ou contexto de pedidos vizinhos, para preservar a prosódia entre fragmentos. Mantenha a divisão num limite significativo de frase e transporte contexto circundante suficiente para o início e o fim de uma passagem. Os minutos aproximados por pedido do fabricante não são uma promessa de duração fixa, porque as palavras, a língua e o ritmo determinam o comprimento da gravação selecionada.

A expressão segue o significado do texto, o contexto narrativo, a pontuação e a voz selecionada. A estabilidade controla a variabilidade e a amplitude emocional; a similaridade controla a proximidade do resultado à voz. O guia partilhado do produto descreve um intervalo de velocidade de 0.7 a 1.2, com 1.0 inalterado. Uma estabilidade elevada pode soar contida ou monótona, enquanto uma estabilidade demasiado baixa pode tornar uma interpretação errática. Prosa escrita sobre a forma de expressão pode ser pronunciada, pelo que deve preparar o guião final em vez de inserir instruções que nunca devem ser ouvidas.

O fluxo de pausas deste modelo suporta etiquetas break SSML, ao contrário de v3 e v4. O produtor dá <break time="1.5s" /> como forma de pedir uma pausa natural e documenta pausas de até três segundos. Um excesso de etiquetas break pode introduzir alterações de velocidade ou artefactos, e a voz selecionada pode afetar a forma como soa uma pausa. Utilize pausas em transições significativas, como após uma definição ou antes da parte seguinte de uma instrução narrada.

Multilingual v2 não suporta etiquetas de fonemas no guia de pronúncia do fabricante. Utilize aliases de dicionário ou uma grafia alternativa preparada para indicar a forma falada pretendida de um nome, sigla ou termo técnico. A ElevenLabs também descreve este modelo como tratando números de forma mais natural do que Flash v2.5, enquanto as orientações de preparação continuam a recomendar escrever números, datas e símbolos críticos como as palavras que devem ser pronunciadas. Um código de referência e uma quantidade precisam de leituras diferentes, mesmo quando os seus algarismos escritos parecem semelhantes.

A família de formatos de áudio do produtor inclui MP3 para distribuição, PCM de 16 bits sem compressão para produção, μ-law e A-law para telefonia e Opus. A geração completa de fala e o streaming são documentados no fluxo TTS partilhado. Escolha a saída para o destino pretendido e conserve o guião, a voz e a gravação selecionada em conjunto. Um capítulo de audiolivro, uma narração empresarial e uma aula curta podem utilizar o mesmo propósito de modelo, exigindo ritmo e segmentação diferentes.

Para uma aula prática, escreva a introdução, as definições, o exemplo e a transição como passagens faladas completas. Assinale os termos que precisam de pronúncia consistente e utilize uma pausa natural após o conceito central. Reveja uma parte representativa que contenha nomes, números e uma frase mais longa, verificando o sotaque, a inteligibilidade e se a expressão permanece estável ao atravessar o limite da secção. O artefacto útil é uma gravação de narração consistente que pode ser colocada no curso, audiolivro ou vídeo juntamente com o seu guião de origem.