テキストto対話

概要

Eleven v3モデルを使用するElevenLabsのテキストtoダイアログAPIは、テキストから自然で表現力豊かな対話を生成します。主なユースケースは次のとおりです。

• ビデオゲーム向けに完璧な会話を生成
• ポッドキャストやその他のオーディオコンテンツ向けに没入感のある対話を作成
• 表現力豊かなナレーションでオーディオブックに命を吹き込む

目的の結果を得るには、複数回の生成が必要になる場合があります。テキストtoダイアログをアプリケーションに統合する際は、複数の候補を生成し、ユーザーが最適なものを選べるようにすることを検討してください。

サンプルを聞く：

音声の選択肢

ElevenLabsでは、複数の作成方法により、70以上の言語で数千種類の音声を提供しています。

• コミュニティで共有された3,000以上の音声を収録したボイスライブラリ
• 最高精度のレプリカを作成するプロフェッショナルボイスクローン
• 素早く音声を複製するインスタントボイスクローン
• テキストの説明からカスタム音声を生成するボイスデザイン

詳しくは、音声の選択肢をご覧ください。

プロンプト

モデルは、テキスト入力から感情的な文脈を直接解釈します。たとえば、 「彼女は興奮して言った」のような説明文を加えたり、感嘆符を使ったりすると、発話の 感情に影響します。StabilityやSimilarityなどの音声設定は一貫性の制御に役立ちますが、 根底にある感情はテキスト上の手がかりから生まれます。

詳しくは、プロンプトガイドをご覧ください。

オーディオタグによる感情表現

Eleven v3モデルでは、非音声のオーディオイベントを使用して対話の話し方に影響を与えられます。テキスト入力内で、オーディオイベントを角括弧で囲んで挿入します。

テキストtoダイアログでは、各対話ターンにそれぞれ固有のテキストと音声があります。影響させたいターンのテキスト内にオーディオタグを追加してください。voice_idは引き続きそのターンの話者音声を選択し、タグは話し方をガイドします。

たとえば、ある話者はテキストを[giggling]で始めながら1つの音声を使用し、次の話者はテキストを[whispering]で始めながら別の音声を使用できます。タグとvoice_idを組み合わせるAPIの例については、テキストtoダイアログのクイックスタートをご覧ください。

オーディオタグはenumパラメータではなく、自然言語による指示です。指示を角括弧で囲み、話し方を変えたい位置のテキストに配置します。以下の例がすべてではありません。効果的なタグについての詳しいガイダンスは、Eleven v3プロンプトガイドをご覧ください。

オーディオタグにはいくつかの形式があります。

感情と話し方

例：[sad]、[laughing]、[whispering]

オーディオイベント

例：[leaves rustling]、[gentle footsteps]、[applause]。

全体的な演出

例：[football]、[wrestling match]、[auctioneer]。

例：

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

中断など、対話の流れを示すために句読点を使うこともできます。

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

文が途切れることを示すには、省略記号を使用できます。

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

対応言語

Eleven v3モデルは、以下を含む70以上の言語に対応しています。

アフリカーンス語（afr）、アラビア語（ara）、アルメニア語（hye）、アッサム語（asm）、アゼルバイジャン語（aze）、ベラルーシ語（bel）、ベンガル語（ben）、ボスニア語（bos）、ブルガリア語（bul）、カタロニア語（cat）、セブアノ語（ceb）、チェワ語（nya）、クロアチア語（hrv）、チェコ語（ces）、デンマーク語（dan）、オランダ語（nld）、英語（eng）、エストニア語（est）、フィリピノ語（fil）、フィンランド語（fin）、フランス語（fra）、ガリシア語（glg）、ジョージア語（kat）、ドイツ語（deu）、ギリシャ語（ell）、グジャラート語（guj）、ハウサ語（hau）、ヘブライ語（heb）、ヒンディー語（hin）、ハンガリー語（hun）、アイスランド語（isl）、インドネシア語（ind）、アイルランド語（gle）、イタリア語（ita）、日本語（jpn）、ジャワ語（jav）、カンナダ語（kan）、カザフ語（kaz）、キルギス語（kir）、韓国語（kor）、ラトビア語（lav）、リンガラ語（lin）、リトアニア語（lit）、ルクセンブルク語（ltz）、マケドニア語（mkd）、マレー語（msa）、マラヤーラム語（mal）、中国語（標準語）（cmn）、マラーティー語（mar）、ネパール語（nep）、ノルウェー語（nor）、パシュトー語（pus）、ペルシア語（fas）、ポーランド語（pol）、ポルトガル語（por）、パンジャブ語（pan）、ルーマニア語（ron）、ロシア語（rus）、セルビア語（srp）、シンド語（snd）、スロバキア語（slk）、スロベニア語（slv）、ソマリ語（som）、スペイン語（spa）、スワヒリ語（swa）、スウェーデン語（swe）、タミル語（tam）、テルグ語（tel）、タイ語（tha）、トルコ語（tur）、ウクライナ語（ukr）、ウルドゥー語（urd）、ベトナム語（vie）、ウェールズ語（cym）。

よくある質問

主なポイント

• モデル：Eleven v3でのみ利用可能
• 話者：対話あたりの話者数に制限なし
• リクエストサイズ：1リクエストあたりのすべてのinputs[].text値の合計文字数を2,000文字以下にする
• 決定性：出力は非決定的です。一貫性を高めるにはseedパラメータを使用してください
• 無料再生成：生成ごとに最大2回まで無料再生成可能（同一コンテンツ、同一パラメータ、ダッシュボードのみ）
• 所有権：生成したオーディオの所有権は保持されます。商用利用には有料プランが必要です