ElevenLabs: Eleven v4

Eleven v4 é o modelo de conversão de texto em fala expressiva da ElevenLabs para conteúdo de produção, narração e interpretação de personagens. A sua nova arquitetura usa o contexto do guião para moldar quem fala, o que aconteceu e como deve soar a fala seguinte. A entrada é um guião escrito associado a uma voz selecionada; a saída é áudio. O fabricante destaca o diálogo emocional, a produção de audiolivros, a animação e os jogos, e os projetos multilingues como aplicações características.

As instruções podem ser escritas no guião através de etiquetas de áudio inseridas no texto. Etiquetas como [laughs], [whispers] e [door slams] podem descrever a elocução vocal, um evento não verbal ou um som dentro da cena. A atualização documentada do v4 melhora o cumprimento de uma sequência dessas instruções em comparação com o v3. Para um momento dramático curto, escreva as palavras efetivas que serão pronunciadas e coloque uma indicação de elocução no ponto relevante, em vez de acrescentar no fim uma lista de emoções sem relação.

As pausas e a ênfase usam instruções de áudio em linguagem natural. A ElevenLabs documenta [pause] e [long pause] para pausas e indicações como [excited] ou [sighs] para a elocução. As etiquetas SSML <break> estão desativadas no v4, pelo que um guião anterior que as use precisa de ser adaptado ao formato de instruções do v4. Uma etiqueta identifica a interpretação pretendida; por si só, não define um número exato de milissegundos nem garante uma duração final fixa.

O fluxo de diálogo do produtor suporta vários locutores, permitindo que uma cena contenha vozes separadas e eventos sonoros. O seu perfil WebSocket de diálogo v4 suporta até dez vozes registadas, enquanto o perfil do v4 Turbo usa uma. Prepare uma ordem clara dos turnos dos locutores e mantenha cada fala associada à voz pretendida. Uma troca ilustrativa pode passar de uma pergunta hesitante em voz baixa para uma resposta confiante e depois uma reação de alívio. O conteúdo e a transição emocional devem ser compreensíveis a partir do próprio guião. Para um único narrador, use a mesma clareza para distinguir a narração de uma citação ou de uma mudança de estado de espírito.

Eleven v4 suporta mais de 90 idiomas, incluindo inglês, francês, alemão, japonês, espanhol, português e russo. O fabricante descreve uma qualidade de voz consistente nas mudanças de idioma. Escolha uma voz e uma pronúncia adequadas ao idioma e à região da gravação pretendida; tanto o idioma do guião como as características da voz são importantes. Para uma lição localizada, traduza primeiro as palavras faladas e preserve o significado, a terminologia e as indicações de elocução no novo guião.

Uma geração suporta até 10 000 caracteres. Um trabalho mais longo é preparado em várias gerações ligadas, com união de contextos destinada a manter o ritmo e a elocução consistentes entre segmentos. Divida um capítulo num limite natural de frase ou cena e conserve o contexto envolvente. O fabricante descreve também uma identidade de locutor estável quando uma fala é gerada novamente. Isto é útil para rever um trecho mantendo o mesmo elenco e estilo de interpretação no material circundante.

O v4 suporta Instant e Professional Voice Clones no fluxo do produtor ElevenLabs. A ElevenLabs destaca o seu regresso no v4; o seu guia de prompts do v3 indica que os Professional Voice Clones não estão totalmente otimizados para o v3. Os Instant ou Professional Voice Clones criados antes do lançamento do v4 precisam de ser treinados novamente para v4, para funcionarem eficazmente com o modelo. A clonagem de voz cria ou prepara a voz usada na síntese; é distinta do ato de converter o guião fornecido em fala. A identidade do modelo não exige uma única voz predefinida, pelo que deve selecionar a voz para o narrador ou a personagem, em vez de presumir que o nome do modelo determina um locutor.

O fabricante documenta MP3 para audição geral e distribuição de conteúdos multimédia, WAV ou PCM para áudio de produção não comprimido e μ-law para telefonia. A sua API controla a frequência de amostragem e a taxa de bits do formato selecionado. Os dicionários de pronúncia podem definir como são pronunciados nomes, siglas e termos técnicos. O v4 também reconhece transcrições IPA padrão delimitadas por barras, como /IPA_transcription/, incluindo marcadores de acento para termos com várias sílabas; a pronúncia pode ainda variar consoante a voz e a frase. Prepare os termos necessários antes da produção e mantenha as formas faladas preferidas consistentes entre revisões. O perfil do produtor v4 usa as definições de voz Stability e Similarity; os controlos deslizantes Style e Speed não estão disponíveis. O ritmo e a elocução emocional são orientados pelo guião e pelas etiquetas de áudio.

Para instruções práticas de narração, forneça uma cena terminada, a voz pretendida, o idioma, o arco emocional e o destino do áudio. Por exemplo: «Leia a abertura com calma, faça uma pausa antes da descoberta e dê à fala final um tom de alívio; mantenha o tom do narrador consistente.» Reveja a pronúncia, as mudanças de locutor, as etiquetas ou os eventos audíveis e as transições entre trechos. A entrega útil é uma gravação de fala produzida e ligada ao guião, com uma tomada selecionada e as instruções necessárias para rever uma fala específica.