ElevenLabs: Eleven Flash v2

Eleven Flash v2 là mô hình tổng hợp giọng nói chỉ dành cho tiếng Anh của ElevenLabs, phục vụ ứng dụng giọng nói cần phản hồi nhanh. Mô hình nhận một câu nói viết sẵn và tạo âm thanh lời nói bằng giọng đã chọn. Nhà sản xuất định vị Flash cho hội thoại thời gian thực và trải nghiệm tương tác, chẳng hạn lời xác nhận của trợ lý, chỉ dẫn bằng lời nói và phản hồi trong trò chơi. Phiên bản có tên này tách biệt với Flash v2.5 đa ngôn ngữ cùng các họ v3 và v4 giàu biểu cảm.

Tiếng Anh là phạm vi ngôn ngữ của Flash v2. Một giọng có thể mang chất giọng vùng miền và sắc thái riêng, nhưng không biến phiên bản này thành mô hình đa ngôn ngữ. Chọn giọng phù hợp với người nghe dự kiến và mục đích của câu. Lời xác nhận của trợ lý, người đọc hướng dẫn và nhân vật tương tác có thể cần tiết tấu khác nhau ngay cả khi nội dung sự kiện giống nhau. Soạn chính các từ tiếng Anh cần được đọc trước khi tổng hợp.

Một yêu cầu hỗ trợ tối đa 30.000 ký tự. Độ dài âm thanh ước tính của nhà sản xuất đi kèm giới hạn này không phải thời lượng cố định. Với lời đáp tương tác, giữ một ý chính và kết thúc rõ ràng; với bản ghi dài hơn, chia văn bản liên quan tại ranh giới câu hoặc phần. Quy trình TTS dùng chung ghi nhận việc dùng văn bản liền kề hoặc ngữ cảnh yêu cầu để giữ ngữ điệu qua các lần tạo liên kết với nhau, nên chia đoạn không nhất thiết làm mất mối liên hệ giữa các đoạn liên tiếp.

Quy trình tạo khoảng nghỉ của Flash v2 dùng thẻ break SSML. Hướng dẫn sản phẩm đưa ra <break time="1.5s" /> làm cách yêu cầu khoảng nghỉ tự nhiên, với tối đa ba giây được ghi nhận. Giọng ảnh hưởng đến cách thể hiện quanh khoảng nghỉ, và quá nhiều thẻ có thể gây thay đổi tốc độ, tiếng ồn hoặc tạp âm ngoài ý muốn. Dùng khoảng nghỉ nơi người nghe cần chuyển ý, thay vì giữa mọi từ. Dấu câu và dấu ba chấm cũng có thể ảnh hưởng đến thời gian, nhưng kém nhất quán hơn và có thể thêm sắc thái do dự.

Từng từ có thể dùng ký hiệu âm vị SSML bằng IPA hoặc CMU Arpabet. Nhà sản xuất khuyến nghị CMU Arpabet để phát âm v2 dễ dự đoán hơn và nói rằng quy tắc âm vị nên được áp dụng riêng cho từng từ trong tên gồm nhiều từ. Từ điển phát âm có thể giữ âm vị mong muốn hoặc bí danh cho thuật ngữ lặp lại; cơ chế đối sánh phân biệt chữ hoa và chữ thường. Điều này khác với cú pháp IPA gốc của v4 được bọc trong dấu gạch chéo và với đặc tính phát âm của Flash v2.5.

Chuẩn bị mã tham chiếu, ngày tháng và chữ viết tắt ở dạng đọc mong muốn. Các chữ số giống nhau có thể biểu thị số lượng hoặc mã định danh, nên hãy chỉ rõ người nghe cần nghe một số hoàn chỉnh hay từng chữ số riêng. Viết tháng và ngày không gây hiểu nhầm, đồng thời viết đầy đủ chữ viết tắt cần được đọc thành từ. Chỉ dẫn giải thích thông thường đặt trong văn bản có thể bị đọc thành tiếng; thẻ âm thanh biểu cảm của v3 và v4 không thuộc các điều khiển được mô tả cho phiên bản này.

Họ định dạng của nhà sản xuất bao gồm MP3, PCM 16 bit không nén, μ-law và A-law cho điện thoại, cùng Opus. Quy trình dùng chung có thể cung cấp bản ghi hoàn chỉnh hoặc trả về lời nói dần dần. Thiết lập giọng tác động đến độ ổn định, độ giống giọng và nhịp đọc, với phạm vi speed được công bố từ 0.7 đến 1.2 và 1.0 giữ nguyên tốc độ. Các thiết lập này hướng dẫn cách thể hiện mà không bảo đảm bản thể hiện giống hệt nhau hoặc độ dài bản ghi cuối cùng chính xác.

Với thông điệp trợ giúp thực tế bằng tiếng Anh, đưa kết quả trước, sau đó là một bước tiếp theo: xác nhận lựa chọn đã lưu, đọc rõ tên trường liên quan và giải thích người dùng có thể làm gì tiếp. Với bài hướng dẫn, viết một chỉ dẫn hoàn chỉnh và dùng khoảng nghỉ trước hành động tiếp theo. Kiểm tra tên khó, số và các điểm chuyển ý trong âm thanh đã chọn. Giữ bản thể hiện đó cùng kịch bản và phần chuẩn bị phát âm để có thể tái sử dụng làm lời nhắc bằng giọng nói, thông báo hoặc phản hồi của trợ lý.