ElevenLabs: Eleven v4 Turbo

Eleven v4 Turbo é a edição de síntese de fala expressiva da ElevenLabs concebida para conversas em tempo real e respostas de agentes de voz. Recebe texto e devolve áudio falado, levando a amplitude emocional da família v4 para um fluxo interativo. O produtor distingue a sua finalidade da do v4 normal, ajustado para conteúdo de produção e narração. Respostas de apoio, explicações de assistentes e falas de personagens interativas são as aplicações indicadas para Turbo.

O fluxo de streaming bidirecional do produtor pode receber texto à medida que é gerado e devolver áudio antes de chegar a enunciação completa. Isto reduz a necessidade de esperar por um parágrafo terminado antes de começar a fala. É uma etapa de conversão de texto em áudio: as palavras da resposta são fornecidas ao modelo de síntese. Ouvir quem telefona, decidir que ação executar e detetar interrupções são funções separadas da aplicação de agente de voz envolvente.

O perfil documentado Text to Dialogue WebSocket regista exatamente uma voz para v4 Turbo. Isto difere do perfil do v4, que suporta até dez vozes registadas. Uma ligação pode transportar turnos sucessivos na voz selecionada, com um sinal de novo turno que repõe a prosódia no limite entre turnos. Prepare uma identidade de locutor clara para um assistente e mantenha-a consistente enquanto o conteúdo e o tom mudam ao longo da conversa.

O streaming continua a precisar de texto suficiente para formar um segmento de fala útil. O guia descreve um buffer do produtor de aproximadamente 40 caracteres e oito palavras antes de começar o áudio parcial; buffers mais curtos podem ser esvaziados deliberadamente sem terminar a ligação. O áudio chega em blocos codificados em Base64, que uma aplicação pode descodificar para reprodução ou reunir num ficheiro. Os blocos podem incluir informação de alinhamento quando esta é pedida e está disponível. Estes são detalhes do fluxo do produtor, e não uma garantia de latência fixa ou de duração exata para um enunciado individual.

As etiquetas de áudio e o contexto da conversa orientam a elocução. Uma confirmação pode soar satisfeita, uma explicação atenta e uma correção calma, mantendo a mesma voz. Coloque a instrução audível perto das palavras relevantes. Uma frase ilustrativa pode ser: «[warm] Esse passo está concluído. [pause] Vamos verificar o próximo item.» As palavras já devem comunicar o resultado correto; as etiquetas moldam a forma como o resultado é ouvido, em vez de fornecerem conteúdo factual em falta.

A família de modelos v4 suporta mais de 90 idiomas, com inglês, francês, alemão, japonês, espanhol, português e russo entre os exemplos documentados. A ElevenLabs descreve uma identidade de locutor estável entre turnos e idiomas e suporta Professional Voice Clones tanto no v4 como no v4 Turbo. A preparação ou clonagem de voz é uma etapa separada da síntese de uma resposta. Selecione explicitamente a voz e o idioma de destino e mantenha nomes, terminologia e formas faladas preferidas consistentes ao longo do diálogo.

As opções de formato documentadas da ElevenLabs incluem MP3 para audição geral, PCM não comprimido ou WAV para áudio de produção e μ-law para telefonia. O formato de saída selecionado determina a frequência de amostragem e a codificação usadas pelo fluxo do produtor. Para um assistente, escolha o formato de acordo com o destino de reprodução, em vez de pedir ao guião que especifique uma codificação. Reveja nomes e abreviaturas importantes com a voz escolhida e escreva claramente no texto as palavras que devem ser pronunciadas. O produtor descreve Stability e Similarity como as definições de voz de ambas as variantes v4; os controlos deslizantes Style e Speed não estão disponíveis neste perfil. Use o texto falado e as instruções de áudio para moldar a elocução.

As instruções práticas para uma conversa começam por uma resposta compacta que contém um resultado e um próximo passo claro. Por exemplo: «Confirme que o documento foi recebido e depois explique o único detalhe ainda necessário. Use uma elocução calma e simpática e preserve exatamente o nome do documento.» Divida uma resposta longa em limites com sentido e mantenha o contexto conversacional envolvente. Avalie a clareza, o início e o fim de cada turno e se a emoção se adequa à mensagem. A entrega é fala em streaming ou reunida numa gravação para o texto fornecido e a voz selecionada, distinta das etapas de raciocínio e escuta da aplicação.