ElevenLabs: Eleven v3 Conversational

Eleven v3 Conversational é a edição de síntese de fala da ElevenLabs para diálogo em tempo real. Recebe o texto de uma resposta preparada e devolve áudio falado, com a amplitude emocional e a elocução contextual da família v3. O produtor identifica-a separadamente do Eleven v3 normal e integra-a num fluxo de streaming Text to Dialogue. O seu papel útil é dar voz a um assistente ou personagem interativa cuja próxima fala depende da conversa anterior.

O modelo suporta mais de 70 idiomas, incluindo inglês, francês, alemão, japonês, coreano, espanhol, português e russo. Escolha o idioma da resposta escrita e uma voz com um sotaque adequado. Num guião multilingue de apoio, adapte a redação à linguagem falada natural antes de a enviar para síntese. O modelo pronuncia o conteúdo fornecido; o raciocínio que determina a resposta e qualquer interpretação da entrada do microfone do utilizador são etapas separadas da aplicação.

As etiquetas de áudio permitem um controlo detalhado da emoção e da elocução. Uma resposta tranquilizadora, uma pergunta curiosa e uma reação dramática de personagem exigem interpretações diferentes, mesmo quando as palavras são poucas. Mantenha a indicação perto da fala que afeta e conserve contexto suficiente para explicar a mudança emocional. Uma instrução ilustrativa pode dizer: «Confirme a correção de forma calorosa e depois explique o próximo passo numa voz serena e atenta.» A resposta deve continuar compreensível sem depender da indicação para fornecer informação em falta.

No fluxo WebSocket de diálogo documentado, a aplicação envia texto e recebe blocos de áudio codificados em Base64, mantendo a ligação aberta entre falas. O produtor acumula num buffer texto suficiente para um segmento de fala coerente; fragmentos muito curtos podem esperar até chegar mais contexto ou até o buffer ser esvaziado deliberadamente. Os limites de turno podem repor a prosódia, enquanto uma mudança de locutor marca um novo turno. Estas características orientam a preparação de frases completas, em vez de palavras isoladas, para uma resposta interativa.

O guia de diálogo partilhado documenta informação opcional de alinhamento nos blocos de áudio quando é pedida e está disponível. O alinhamento pode ajudar a relacionar a fala com o respetivo texto, mas não promete que um enunciado prescrito tenha uma duração fixa. Selecione o formato de saída do produtor para reprodução ou recolha num ficheiro; a sua família de formatos TTS partilhada inclui MP3 e PCM, com codificações telefónicas disponíveis no fluxo relevante. Uma ligação de diálogo e um pedido completo de fala pré-gravada são modos diferentes, pelo que os pressupostos de preparação e temporização devem manter-se distintos.

Para a pronúncia, desenvolva abreviaturas ambíguas e escreva os números na forma falada pretendida quando, de outro modo, o significado não seria claro. Mantenha nomes e terminologia recorrente consistentes. Não transfira a sintaxe IPA nativa do modelo v4 nem o limite de pedido do v3 normal apenas porque o nome da família é semelhante. Escolha a voz para o papel conversacional e depois reveja uma fala representativa quanto à clareza e à adequação emocional antes de continuar o guião.

Para uma resposta prática de assistente, use uma ideia principal, um resultado claro e um final natural que permita ao utilizador responder. Por exemplo: «Confirme a nova morada de entrega, repita claramente o nome da rua e pergunte se o utilizador quer alterar a morada guardada.» Para uma personagem, mantenha a personalidade estabelecida, fazendo a reação corresponder à cena atual. Divida explicações longas em limites de frase com sentido e preserve o contexto conversacional anterior. A entrega é áudio falado para a resposta fornecida, e não uma transcrição de quem telefona nem uma decisão gerada de forma independente.