Text zu Dialog

Übersicht

Die ElevenLabs-API für Text to Dialogue erstellt mit dem Modell Eleven v3 natürlich klingende, ausdrucksstarke Dialoge aus Text. Beliebte Anwendungsfälle:

• Perfekt abgestimmte Gespräche für Videospiele generieren
• Immersive Dialoge für Podcasts und andere Audioinhalte erstellen
• Hörbücher mit ausdrucksstarker Erzählung zum Leben erwecken

Um die gewünschten Ergebnisse zu erzielen, können mehrere Generierungen erforderlich sein. Wenn Sie Text to Dialogue in Ihre Anwendung integrieren, sollten Sie mehrere Generierungen erstellen und Nutzerinnen und Nutzern die Auswahl der besten ermöglichen.

Hören Sie sich ein Beispiel an:

Stimmoptionen

ElevenLabs bietet über verschiedene Erstellungsmethoden Tausende Stimmen in mehr als 70 Sprachen:

• Stimmbibliothek mit über 3.000 von der Community geteilten Stimmen
• Professionelles KI-Stimme klonen für Repliken mit höchster Detailtreue
• Sofortiges KI-Stimme klonen für schnelle Stimmreplikation
• Stimmgestaltung, um benutzerdefinierte Stimmen aus Textbeschreibungen zu generieren

Erfahren Sie mehr über unsere Stimmoptionen.

Prompting

Die Modelle interpretieren emotionale Zusammenhänge direkt aus der Texteingabe. Beispielsweise beeinflussen beschreibender Text wie „sagte sie aufgeregt“ oder Ausrufezeichen die emotionale Wirkung der Sprache. Stimmeinstellungen wie Stabilität und Ähnlichkeit helfen, die Konsistenz zu steuern, während die zugrunde liegende Emotion aus textuellen Hinweisen stammt.

Weitere Details finden Sie im Prompting-Leitfaden.

Emotionale Sprechweisen mit Audiotags

Das Modell Eleven v3 ermöglicht die Verwendung von Nicht-Sprach-Audioereignissen, um die Sprechweise des Dialogs zu beeinflussen. Dazu werden die Audioereignisse in eckigen Klammern in die Texteingabe eingefügt.

Bei Text to Dialogue hat jeder Dialogzug eigenen Text und eine eigene Stimme. Fügen Sie Audiotags in den Text des Dialogzugs ein, den sie beeinflussen sollen. voice_id wählt weiterhin die Sprecherstimme für diesen Zug aus, während die Tags die Sprechweise steuern.

Ein Sprecher kann beispielsweise eine Stimme verwenden, während der Text mit [giggling] beginnt. Der nächste Sprecher kann eine andere Stimme verwenden, während sein Text mit [whispering] beginnt. Ein API-Beispiel, das Tags mit voice_id kombiniert, finden Sie im Text-to-Dialogue-Schnellstart.

Audiotags sind natürlichsprachliche Anweisungen, kein Enum-Parameter. Setzen Sie die Anweisung in eckige Klammern und platzieren Sie sie dort im Text, wo sich die Sprechweise ändern soll. Die folgenden Beispiele sind nicht vollständig. Weitere Hinweise zu wirksamen Tags finden Sie im Eleven-v3-Prompting-Leitfaden.

Audiotags gibt es in verschiedenen Formen:

Emotionen und Sprechweise

Zum Beispiel [sad], [laughing] und [whispering]

Audioereignisse

Zum Beispiel [leaves rustling], [gentle footsteps] und [applause].

Allgemeine Anweisung

Zum Beispiel [football], [wrestling match] und [auctioneer].

Einige Beispiele:

"[giggling] That's really funny!"
"[groaning] That was awful."
"Well, [sigh] I'm not sure what to say."

Sie können auch Satzzeichen verwenden, um den Gesprächsverlauf anzuzeigen, etwa bei Unterbrechungen:

"[cautiously] Hello, is this seat-"
"[jumping in] Free? [cheerfully] Yes it is."

Auslassungspunkte können unvollendete Sätze anzeigen:

"[indecisive] Hi, can I get uhhh..."
"[quizzically] The usual?"
"[elated] Yes! [laughs] I'm so glad you knew!"

Unterstützte Sprachen

Das Modell Eleven v3 unterstützt mehr als 70 Sprachen, darunter:

Afrikaans (afr), Arabisch (ara), Armenisch (hye), Assamesisch (asm), Aserbaidschanisch (aze), Belarussisch (bel), Bengalisch (ben), Bosnisch (bos), Bulgarisch (bul), Katalanisch (cat), Cebuano (ceb), Chichewa (nya), Kroatisch (hrv), Tschechisch (ces), Dänisch (dan), Niederländisch (nld), Englisch (eng), Estnisch (est), Filipino (fil), Finnisch (fin), Französisch (fra), Galicisch (glg), Georgisch (kat), Deutsch (deu), Griechisch (ell), Gujarati (guj), Hausa (hau), Hebräisch (heb), Hindi (hin), Ungarisch (hun), Isländisch (isl), Indonesisch (ind), Irisch (gle), Italienisch (ita), Japanisch (jpn), Javanisch (jav), Kannada (kan), Kasachisch (kaz), Kirgisisch (kir), Koreanisch (kor), Lettisch (lav), Lingala (lin), Litauisch (lit), Luxemburgisch (ltz), Mazedonisch (mkd), Malaiisch (msa), Malayalam (mal), Mandarin-Chinesisch (cmn), Marathi (mar), Nepalesisch (nep), Norwegisch (nor), Paschtunisch (pus), Persisch (fas), Polnisch (pol), Portugiesisch (por), Panjabi (pan), Rumänisch (ron), Russisch (rus), Serbisch (srp), Sindhi (snd), Slowakisch (slk), Slowenisch (slv), Somali (som), Spanisch (spa), Suaheli (swa), Schwedisch (swe), Tamil (tam), Telugu (tel), Thailändisch (tha), Türkisch (tur), Ukrainisch (ukr), Urdu (urd), Vietnamesisch (vie), Walisisch (cym).

FAQ

Wichtige Fakten

• Modell: Nur mit Eleven v3 verfügbar
• Sprecher: Keine Begrenzung der Sprecherzahl pro Dialog
• Anfragegröße: Halten Sie die Gesamtlänge aller inputs[].text-Werte pro Anfrage bei höchstens 2.000 Zeichen
• Determinismus: Die Ausgabe ist nicht deterministisch — verwenden Sie den Parameter seed für konsistentere Ergebnisse
• Kostenlose Neugenerierungen: Bis zu zwei kostenlose Neugenerierungen pro Generierung (gleicher Inhalt, gleiche Parameter, nur im Dashboard)
• Eigentum: Sie behalten das Eigentum an generierten Audioinhalten; die kommerzielle Nutzung erfordert einen kostenpflichtigen Tarif