ElevenLabs: Eleven Multilingual v2

Eleven Multilingual v2 är ElevenLabs text-till-tal-modell för naturlig, känslomässigt nyanserad och konsekvent berättarröst. Den tar emot ett skrivet manus och returnerar talat ljud, där den valda rösten står för mycket av karaktären och accenten. Producenten lyfter fram stabilitet vid längre genereringar, professionellt innehåll, karaktärsröster, e-lärande och flerspråkiga projekt. Det är en modell för talsyntes, separat från röstförändraren Multilingual Speech to Speech med ett liknande namn.

Den dokumenterade uppsättningen omfattar 29 språk: engelska, japanska, kinesiska, tyska, hindi, franska, koreanska, portugisiska, italienska, spanska, indonesiska, nederländska, turkiska, filippinska, polska, svenska, bulgariska, rumänska, arabiska, tjeckiska, grekiska, finska, kroatiska, malajiska, slovakiska, danska, tamil, ukrainska och ryska. Förbered det faktiska manuset på ett språk som stöds före syntesen i stället för att förvänta dig att röstmodellen översätter det.

Modellen är utformad för att behålla den valda talarens egenskaper och personlighet mellan de språk som stöds. Accenten beror fortfarande i hög grad på rösten: ElevenLabs rekommenderar en röst som tränats på målspråket och den regionala accenten, eftersom en röst som inte är modersmålstalare kan behålla sin ursprungliga accent eller glida i uttalet. För en lokaliserad kurs behåller du berättarens roll och övergripande ton, samtidigt som du anpassar meningsbyggnad, terminologi och uttal till publiken. En gemensam röstidentitet tar inte bort behovet av att granska framförandet på målspråket.

Gränsen per begäran är 10 000 tecken. Längre material kan delas in i sammanhängande kapitel eller avsnitt; producentens gemensamma TTS-arbetsflöde dokumenterar föregående och efterföljande text, eller sammanhang från angränsande begäranden, för att bevara prosodin mellan delarna. Lägg delningen vid en meningsfull meningsgräns och behåll tillräckligt med omgivande sammanhang för början och slutet av ett avsnitt. Tillverkarens ungefärliga minuter per begäran är inget löfte om en fast längd, eftersom ord, språk och tempo bestämmer den valda inspelningens längd.

Framförandet följer textens innebörd, berättelsens sammanhang, interpunktionen och den valda rösten. Stability styr variationen och det känslomässiga omfånget; similarity styr hur nära resultatet liknar rösten. Den gemensamma produktguiden beskriver ett hastighetsintervall från 0.7 till 1.2, med 1.0 som oförändrat. Hög stability kan låta återhållsamt eller monotont, medan för låg stability kan göra framförandet oberäkneligt. Skriftliga anvisningar om framförandet kan själva läsas upp, så förbered det slutliga manuset i stället för att bädda in instruktioner som aldrig ska höras.

Den här modellens arbetsflöde för pauser stöder SSML-break-taggar, till skillnad från v3 och v4. Producenten anger <break time="1.5s" /> som ett sätt att begära en naturlig paus och dokumenterar pauser på upp till tre sekunder. För många break-taggar kan ge hastighetsförändringar eller artefakter, och den valda rösten kan påverka hur en paus låter. Använd pauser vid meningsfulla övergångar, till exempel efter en definition eller före nästa del av en uppläst instruktion.

Multilingual v2 stöder inte fonemtaggar enligt tillverkarens uttalsguide. Använd ordlistealias eller en förberedd alternativ stavning för att ange önskad talad form för ett namn, en akronym eller en teknisk term. ElevenLabs beskriver också denna modell som mer naturlig i sin uppläsning av numeriska värden än Flash v2.5, samtidigt som förberedelseguiden fortfarande rekommenderar att viktiga tal, datum och symboler skrivs som de ord som ska uttalas. En referenskod och en mängd behöver olika uppläsning även när de skrivna siffrorna ser likadana ut.

Producentens familj av ljudformat omfattar MP3 för distribution, okomprimerad 16-bitars PCM för produktionsarbete, μ-law och A-law för telefoni samt Opus. Fullständig talgenerering och strömning dokumenteras i det gemensamma TTS-arbetsflödet. Välj utdata för det avsedda målet och spara manus, röst och vald inspelning tillsammans. Ett ljudbokskapitel, en företagsberättarröst och en kort lektion kan ha samma modelländamål men kräva olika tempo och indelning.

För en praktisk lektion skriver du introduktionen, definitionerna, exemplet och övergången som fullständiga talade avsnitt. Markera termer som behöver konsekvent uttal och använd en naturlig paus efter huvudbegreppet. Granska ett representativt parti med namn, tal och en längre mening och kontrollera accent, begriplighet och om framförandet är jämnt över avsnittsgränsen. Den användbara leveransen är en konsekvent berättarröstinspelning som kan läggas in i kursen, ljudboken eller videon tillsammans med sitt källmanus.