Saltar a la navegación
Funciones

Texto a Diálogo

Descubre cómo crear diálogos inmersivos y naturales con ElevenLabs.

Resumen

La API de Texto a Diálogo de ElevenLabs crea diálogos expresivos y naturales a partir de texto mediante Eleven v4 y Eleven v3. Recomendamos Eleven v4. Algunos casos de uso populares son:

  • Generar conversaciones perfectas para videojuegos
  • Crear diálogos inmersivos para pódcasts y otros contenidos de audio
  • Dar vida a audiolibros con narración expresiva

Puede que necesites varias generaciones para lograr los resultados deseados. Al integrar Texto a Diálogo en tu aplicación, considera generar varias versiones y permitir que el usuario elija la mejor.

Para situar la conversación en una escena, como una llamada telefónica, una cafetería o una sala grande, incluye audio_effects en tu solicitud. Los mismos preajustes de filtro, entornos y ruidos de fondo que los efectos de audio de Texto a Voz se aplican a todo el diálogo. Los efectos de diálogo solo están disponibles a través de la API.

Escucha un ejemplo:

Desarrolladores

Descubre cómo integrar texto a diálogo en tu aplicación.

Guía de prompting

Descubre cómo usar prompts para crear diálogos expresivos con etiquetas de audio.

Referencia de la API

Referencia completa de la API para la ruta de API de Texto a Diálogo.

Opciones de voz

ElevenLabs ofrece miles de voces mediante varios métodos de creación. Eleven v4 admite más de 90 idiomas y Eleven v3 admite más de 70 idiomas.

Descubre más sobre nuestras opciones de voz.

Prompting

Los modelos interpretan el contexto emocional directamente a partir del texto introducido. Por ejemplo, añadir texto descriptivo como «dijo emocionada» o usar signos de exclamación influirá en la emoción de la voz. Los ajustes de voz, como Estabilidad y Similitud, ayudan a controlar la coherencia, mientras que la emoción subyacente procede de las señales textuales.

Consulta la guía de prompting para obtener más información.

Entonaciones emocionales con etiquetas de audio

Esta función sigue en desarrollo activo; los resultados reales pueden variar.

Eleven v4 y Eleven v3 permiten usar eventos de audio no verbales para influir en la entonación del diálogo. Para ello, inserta los eventos de audio entre corchetes en el texto introducido.

En Texto a Diálogo, cada turno tiene su propio texto y voz. Añade etiquetas de audio dentro del texto del turno al que deban afectar. voice_id sigue seleccionando la voz del hablante para ese turno, mientras que las etiquetas guían la entonación.

Por ejemplo, un hablante puede usar una voz mientras el texto comienza con [giggling], y el siguiente puede usar otra voz mientras el texto comienza con [whispering]. Para ver un ejemplo de API que combina etiquetas con voice_id, consulta la guía de inicio rápido de Texto a Diálogo.

Las etiquetas de audio son instrucciones en lenguaje natural, no un parámetro enum. Incluye la instrucción entre corchetes y colócala en el texto donde deba cambiar la entonación. Los ejemplos siguientes no son exhaustivos; utiliza la guía de prompting para obtener más orientación sobre etiquetas eficaces.

Las etiquetas de audio tienen distintas formas:

Emociones y entonación

Por ejemplo, [sad], [laughing] y [whispering]

Eventos de audio

Por ejemplo, [leaves rustling], [gentle footsteps] y [applause].

Indicación general

Por ejemplo, [football], [wrestling match] y [auctioneer].

Algunos ejemplos son:

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

También puedes usar puntuación para indicar el flujo del diálogo, como las interrupciones:

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

Puedes usar puntos suspensivos para indicar frases inacabadas:

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

El formato de respuesta predeterminado es mp3, pero también hay otros formatos disponibles, como pcm y ulaw.

  • MP3
    • Frecuencias de muestreo: 22,05 kHz - 44,1 kHz
    • Tasas de bits: 32 kbps - 192 kbps
    • 22,05 kHz a 32 kbps
    • 44,1 kHz a 32 kbps, 64 kbps, 96 kbps, 128 kbps, 192 kbps
  • PCM (S16LE)
    • Frecuencias de muestreo: 16 kHz - 44,1 kHz
    • Tasas de bits: 8 kHz, 16 kHz, 22,05 kHz, 24 kHz, 44,1 kHz, 48 kHz
    • Profundidad de 16 bits
  • μ-law
    • Frecuencia de muestreo de 8 kHz
    • Optimizado para aplicaciones de telefonía
  • A-law
    • Frecuencia de muestreo de 8 kHz
    • Optimizado para aplicaciones de telefonía
  • Opus
    • Frecuencia de muestreo: 48 kHz
    • Tasas de bits: 32 kbps - 192 kbps

Las opciones de audio de mayor calidad solo están disponibles en los planes de pago; consulta nuestra página de precios para obtener más información.

Idiomas compatibles

Eleven v4 admite más de 90 idiomas. Eleven v3 admite más de 70 idiomas. Consulta Eleven v4 y Eleven v3 para ver las listas completas.

Preguntas frecuentes

Texto a Diálogo está disponible en los modelos Eleven v4 y Eleven v3.

Sí. Conservas la propiedad de cualquier audio que generes. Sin embargo, los derechos de uso comercial solo están disponibles con planes de pago. Con una suscripción de pago, puedes usar el audio generado con fines comerciales y monetizar los resultados si posees los derechos de propiedad intelectual del contenido de entrada.

Una regeneración gratuita te permite volver a generar el mismo contenido de texto a voz sin coste adicional, siempre que se cumplan estas condiciones:

  • Solo está disponible en el panel de ElevenLabs.
  • Puedes regenerar cada contenido hasta 2 veces gratis.
  • El contenido debe ser exactamente igual que en la generación anterior. Cualquier cambio en el texto, los ajustes de voz u otros parámetros requerirá una nueva generación de pago.

Las regeneraciones gratuitas son útiles si hay una ligera distorsión en el audio generado. Según los análisis internos de ElevenLabs, las regeneraciones resolverán aproximadamente la mitad de los problemas de calidad; los restantes suelen deberse a datos de entrenamiento deficientes.

Los modelos no son deterministas. Para obtener consistencia, utiliza el parámetro seed opcional, aunque pueden seguir produciéndose diferencias sutiles.

Para una generación fiable, mantén la longitud total de todos los valores de inputs[].text en 2000 caracteres o menos por solicitud. Divide los textos más largos en fragmentos y concatena el audio resultante en tu aplicación.

Datos clave

  • Modelos: disponible con Eleven v4 y Eleven v3
  • Hablantes: sin límite de hablantes por diálogo
  • Tamaño de la solicitud: mantén la longitud total de todos los valores de inputs[].text en 2000 caracteres o menos por solicitud
  • Determinismo: la salida no es determinista; utiliza el parámetro seed para obtener resultados más consistentes
  • Regeneraciones gratuitas: hasta 2 regeneraciones gratuitas por generación (mismo contenido, mismos parámetros, solo en el panel)
  • Propiedad: conservas la propiedad del audio generado; el uso comercial requiere un plan de pago