टेक्स्ट टू डायलॉग

परिचय

ElevenLabs टेक्स्ट टू डायलॉग API, Eleven v4 और Eleven v3 का इस्तेमाल करके टेक्स्ट से प्राकृतिक और भावपूर्ण संवाद बनाता है। हम Eleven v4 की सलाह देते हैं। लोकप्रिय उपयोगों में शामिल हैं:

• वीडियो गेम्स के लिए बिल्कुल सटीक बातचीत जनरेट करना
• पॉडकास्ट और अन्य ऑडियो कंटेंट के लिए इमर्सिव संवाद बनाना
• भावपूर्ण नैरेशन से ऑडियोबुक को जीवंत बनाना

मनचाहा नतीजा पाने के लिए कई जनरेशन की ज़रूरत पड़ सकती है। अपने एप्लिकेशन में टेक्स्ट टू डायलॉग इंटीग्रेट करते समय कई जनरेशन बनाने और यूज़र को सबसे अच्छा विकल्प चुनने देने पर विचार करें।

बातचीत को किसी दृश्य, जैसे फ़ोन कॉल, कैफ़े या बड़े हॉल में रखने के लिए, अपने अनुरोध के साथ audio_effects भेजें। टेक्स्ट टू स्पीच ऑडियो इफेक्ट्स जैसे फ़िल्टर प्रीसेट, एनवायरनमेंट और बैकग्राउंड नॉइज़ पूरे संवाद पर लागू होते हैं। डायलॉग इफेक्ट्स सिर्फ़ API के ज़रिए उपलब्ध हैं।

एक सैंपल सुनें:

वॉइस विकल्प

ElevenLabs कई क्रिएशन तरीकों से हज़ारों वॉइस देता है। Eleven v4 90+ भाषाओं और Eleven v3 70+ भाषाओं को सपोर्ट करता है।

• 3,000+ कम्युनिटी-शेयर की गई वॉइस वाली वॉइस लाइब्रेरी
• सबसे सटीक प्रतिकृतियों के लिए प्रोफ़ेशनल वॉइस क्लोनिंग
• तेज़ वॉइस प्रतिकृति के लिए इंस्टेंट वॉइस क्लोनिंग
• टेक्स्ट विवरणों से कस्टम वॉइस जनरेट करने के लिए वॉइस डिज़ाइन

हमारे वॉइस विकल्पों के बारे में और जानें।

प्रॉम्प्टिंग

मॉडल टेक्स्ट इनपुट से भावनात्मक संदर्भ को सीधे समझते हैं। उदाहरण के लिए, “उसने उत्साह से कहा” जैसा वर्णनात्मक टेक्स्ट जोड़ने या विस्मयादिबोधक चिह्नों का इस्तेमाल करने से स्पीच की भावना प्रभावित होगी। Stability और Similarity जैसी वॉइस सेटिंग्स निरंतरता नियंत्रित करने में मदद करती हैं, जबकि अंतर्निहित भावना टेक्स्ट संकेतों से आती है।

ज़्यादा जानकारी के लिए प्रॉम्प्टिंग गाइड पढ़ें।

ऑडियो टैग के साथ भावनात्मक डिलीवरी

Eleven v4 और Eleven v3 संवाद की डिलीवरी को प्रभावित करने के लिए गैर-स्पीच ऑडियो इवेंट्स इस्तेमाल करने देते हैं। यह ऑडियो इवेंट्स को टेक्स्ट इनपुट में वर्गाकार ब्रैकेट के भीतर डालकर किया जाता है।

टेक्स्ट टू डायलॉग में हर डायलॉग टर्न का अपना टेक्स्ट और वॉइस होता है। जिन टर्न पर इनका असर होना चाहिए, उनके टेक्स्ट में ऑडियो टैग जोड़ें। voice_id उस टर्न के लिए स्पीकर वॉइस चुनता है, जबकि टैग डिलीवरी को गाइड करते हैं।

उदाहरण के लिए, एक स्पीकर एक वॉइस इस्तेमाल कर सकता है, जबकि टेक्स्ट [giggling] से शुरू होता है, और अगला स्पीकर दूसरी वॉइस इस्तेमाल कर सकता है, जबकि टेक्स्ट [whispering] से शुरू होता है। टैग को voice_id के साथ जोड़ने वाले API उदाहरण के लिए टेक्स्ट टू डायलॉग क्विकस्टार्ट देखें।

ऑडियो टैग enum पैरामीटर नहीं, बल्कि प्राकृतिक भाषा के निर्देश हैं। निर्देश को वर्गाकार ब्रैकेट में रखें और उसे टेक्स्ट में वहां रखें जहां डिलीवरी बदलनी चाहिए। नीचे दिए उदाहरण पूरी सूची नहीं हैं; प्रभावी टैग के बारे में ज़्यादा मार्गदर्शन के लिए प्रॉम्प्टिंग गाइड इस्तेमाल करें।

ऑडियो टैग कुछ अलग रूपों में आते हैं:

भावनाएं और डिलीवरी

उदाहरण के लिए, [sad], [laughing] और [whispering]

ऑडियो इवेंट्स

उदाहरण के लिए, [leaves rustling], [gentle footsteps] और [applause]।

समग्र दिशा

उदाहरण के लिए, [football], [wrestling match] और [auctioneer]।

कुछ उदाहरण:

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

आप रुकावटों जैसे संवाद के प्रवाह को दिखाने के लिए विराम चिह्नों का इस्तेमाल भी कर सकते हैं:

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

अधूरे रह जाने वाले वाक्यों को दिखाने के लिए इलिप्सिस का इस्तेमाल किया जा सकता है:

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

समर्थित भाषाएं

Eleven v4 90+ भाषाओं को सपोर्ट करता है। Eleven v3 70+ भाषाओं को सपोर्ट करता है। पूरी सूची के लिए Eleven v4 और Eleven v3 देखें।

FAQ

मुख्य बातें

• मॉडल: Eleven v4 और Eleven v3 के साथ उपलब्ध
• स्पीकर: हर संवाद में स्पीकर की संख्या की कोई सीमा नहीं
• अनुरोध आकार: हर अनुरोध में सभी inputs[].text वैल्यू की कुल लंबाई 2,000 कैरेक्टर या उससे कम रखें
• डिटरमिनिज़्म: आउटपुट नॉनडिटरमिनिस्टिक है — अधिक समान नतीजों के लिए seed पैरामीटर इस्तेमाल करें
• मुफ़्त रीजनरेशन: हर जनरेशन के लिए 2 तक मुफ़्त रीजनरेशन (समान कंटेंट, समान पैरामीटर, सिर्फ़ डैशबोर्ड)
• स्वामित्व: जनरेट किए गए ऑडियो का स्वामित्व आपके पास रहता है; व्यावसायिक उपयोग के लिए पेड प्लान चाहिए