ElevenLabs: Eleven v3

Eleven v3 é o modelo de conversão de texto em fala expressiva da ElevenLabs para diálogo emocional, conversas de personagens e narração de audiolivros. Converte um guião escrito em áudio falado e usa o contexto para moldar a amplitude emocional e a elocução. O produtor suporta tanto fala com uma única voz como um fluxo de diálogo com vários locutores. Esta ficha diz respeito à edição denominada v3, mantida separada do v3 Conversational e da família posterior v4.

As etiquetas de áudio inseridas no texto podem orientar a emoção, a elocução vocal e as reações não verbais. O fabricante dá exemplos como [sad], [angry], [happily], [whispers], [shouts], [laughs], [clears throat] e [sighs]. Coloque a indicação perto das palavras ou da reação que deve afetar. Numa cena narrativa, escreva a transição emocional no diálogo efetivo e use a etiqueta para tornar explícito o som pretendido, em vez de depender de uma descrição isolada da cena.

O v3 não suporta etiquetas SSML <break>. O seu guia de prompts usa etiquetas de áudio, pontuação, reticências e estrutura do texto para pausas e ritmo. Esta abordagem fornece uma orientação de interpretação, e não um compromisso exato de temporização. Numa fala hesitante, reticências e a indicação vocal relevante podem tornar clara a hesitação pretendida. Se uma gravação tiver de caber numa cronologia precisa, use a gravação selecionada e o fluxo de edição para a posicionar, em vez de tratar uma etiqueta de pausa como uma unidade de duração fixa.

A seleção de voz continua a ser importante. As orientações documentadas indicam que uma elocução já presente no material de treino da voz é mais fácil de reproduzir, enquanto pedidos invulgares podem ser menos fiáveis. Adeque a voz à personagem ou ao narrador e reveja se as etiquetas escolhidas produzem a elocução pretendida. A secção atual de prompts do v3 indica que os Professional Voice Clones não estão totalmente otimizados para esta edição; as melhorias documentadas de clonagem e os controlos nativos de pronúncia do v4 são funcionalidades de outra edição. O guia do produto também assinala Speed, Similarity e Speaker Boost como indisponíveis para o v3 normal. Prepare o ritmo e a elocução através da voz, das etiquetas, da pontuação e da estrutura do texto, em vez de herdar os controlos deslizantes de outra edição.

Eleven v3 suporta mais de 70 idiomas, incluindo inglês, francês, alemão, japonês, coreano, espanhol, português e russo. Escolha uma voz adequada ao idioma e ao sotaque regional e prepare as palavras efetivas que serão pronunciadas antes da síntese. O suporte linguístico não traduz automaticamente um guião. Numa cena de personagens localizada, preserve a intenção e a reação do locutor, adaptando a redação de forma natural para o público.

Um pedido de conversão de texto em fala suporta até 5 000 caracteres. Divida guiões mais longos em limites de cena ou narração completos, para que cada segmento tenha um início e um fim claros. O produtor disponibiliza modos de criação e streaming para fala, bem como modos de criação e streaming para diálogo. Num diálogo, associe cada turno ao locutor pretendido e conserve a sequência. Mantenha uma mudança emocional junto de texto envolvente suficiente para tornar a transição compreensível.

O fluxo de áudio partilhado do produtor oferece MP3, PCM e codificações telefónicas como μ-law, com formatos adicionais listados no guia TTS. Os dicionários de pronúncia permitem manter nomes e termos técnicos consistentes. O guia de dicionários enumera explicitamente o v3 para regras de fonemas e limita a sua extensão fonética multilingue ao v4; isto não torna a sintaxe IPA nativa do v4, delimitada por barras, numa funcionalidade do v3. Prepare grafias importantes ou aliases de pronúncia e verifique o resultado com a voz selecionada.

Para instruções práticas de interpretação, forneça um episódio concluído, em vez de um esboço: a introdução do narrador, a fala efetiva da personagem e a reação que encerra a cena. Especifique que conteúdo é pronunciado, onde deve ocorrer uma reação vocal e a orientação emocional de cada momento. Reveja a pronúncia, a identidade da voz, a leitura involuntária de instruções e a transição entre locutores. O resultado é uma gravação expressiva do guião fornecido, com uma gravação escolhida que pode ser reutilizada ou revista no projeto de áudio.