Tekst na dialog

Omówienie

API ElevenLabs Text to Dialogue tworzy naturalnie brzmiące, ekspresyjne dialogi z tekstu za pomocą Eleven v4 i Eleven v3. Polecamy Eleven v4. Popularne zastosowania to:

• Tworzenie perfekcyjnych rozmów do gier wideo
• Tworzenie wciągających dialogów do podcastów i innych treści audio
• Ożywianie audiobooków ekspresyjną narracją

Aby uzyskać pożądany efekt, może być potrzebnych kilka generacji. Integrując Text to Dialogue z aplikacją, rozważ wygenerowanie kilku wersji i pozwól użytkownikowi wybrać najlepszą.

Posłuchaj przykładu:

Opcje głosów

ElevenLabs oferuje tysiące głosów tworzonych na wiele sposobów. Eleven v4 obsługuje ponad 90 języków, a Eleven v3 — ponad 70.

• Biblioteka głosów z ponad 3000 głosów udostępnionych przez społeczność
• Profesjonalne klonowanie głosu dla replik o najwyższej wierności
• Błyskawiczne klonowanie głosu do szybkiego kopiowania głosu
• Voice Design do tworzenia własnych głosów na podstawie opisów tekstowych

Dowiedz się więcej o naszych opcjach głosów.

Prompty

Modele odczytują kontekst emocjonalny bezpośrednio z tekstu. Na przykład dodanie opisu, takiego jak „powiedziała podekscytowana”, lub użycie wykrzykników wpłynie na emocje w mowie. Ustawienia głosu, takie jak Stabilność i Podobieństwo, pomagają zachować spójność, a bazowe emocje wynikają ze wskazówek w tekście.

Więcej informacji znajdziesz w przewodniku po promptach.

Emocjonalne wykonanie z tagami audio

Eleven v4 i Eleven v3 pozwalają używać niewerbalnych zdarzeń audio, aby wpływać na sposób wypowiedzenia dialogu. Wstaw je do tekstu w nawiasach kwadratowych.

W Text to Dialogue każda kwestia ma własny tekst i głos. Dodaj tagi audio w tekście kwestii, na którą mają wpłynąć. voice_id nadal wybiera głos mówiącego dla danej kwestii, a tagi określają sposób jej wypowiedzenia.

Na przykład jeden mówiący może używać jednego głosu, gdy tekst zaczyna się od [giggling], a kolejny innego głosu, gdy tekst zaczyna się od [whispering]. Przykład API łączący tagi z voice_id znajdziesz w szybkim starcie Text to Dialogue.

Tagi audio to instrukcje w języku naturalnym, a nie parametr enum. Umieść instrukcję w nawiasach kwadratowych w miejscu tekstu, w którym sposób wypowiedzenia ma się zmienić. Poniższe przykłady nie wyczerpują możliwości; więcej wskazówek o skutecznych tagach znajdziesz w przewodniku po promptach.

Tagi audio występują w kilku formach:

Emocje i sposób wypowiedzenia

Na przykład [sad], [laughing] i [whispering]

Zdarzenia audio

Na przykład [leaves rustling], [gentle footsteps] i [applause].

Ogólny kierunek

Na przykład [football], [wrestling match] i [auctioneer].

Przykłady:

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

Możesz też użyć interpunkcji, by wskazać przebieg dialogu, na przykład przerwania:

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

Wielokropki mogą wskazywać niedokończone zdania:

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

Obsługiwane języki

Eleven v4 obsługuje ponad 90 języków. Eleven v3 obsługuje ponad 70 języków. Pełne listy znajdziesz na stronach Eleven v4 i Eleven v3.

FAQ

Kluczowe informacje

• Modele: Dostępne w Eleven v4 i Eleven v3
• Mówiący: Brak limitu liczby mówiących w dialogu
• Rozmiar żądania: Łączna długość wszystkich wartości inputs[].text nie powinna przekraczać 2000 znaków na żądanie
• Deterministyczność: Wynik jest niedeterministyczny — użyj parametru seed, aby uzyskać bardziej spójne rezultaty
• Bezpłatne regeneracje: Do 2 bezpłatnych regeneracji na generację (ta sama treść, te same parametry, tylko w panelu)
• Własność: Zachowujesz własność wygenerowanego audio; użytek komercyjny wymaga płatnego planu