Texto para diálogos

Visão geral

A API Text to Dialogue da ElevenLabs cria diálogos naturais e expressivos a partir de texto usando o Eleven v4 e o Eleven v3. Recomendamos o Eleven v4. Casos de uso populares incluem:

• Gerar conversas perfeitas para videogames
• Criar diálogos imersivos para podcasts e outros conteúdos de áudio
• Dar vida a audiolivros com narração expressiva

Talvez sejam necessárias várias gerações para alcançar os resultados desejados. Ao integrar o Text to Dialogue ao seu aplicativo, considere gerar várias opções e permitir que o usuário selecione a melhor.

Ouça um exemplo:

Opções de voz

A ElevenLabs oferece milhares de vozes por meio de diversos métodos de criação. O Eleven v4 oferece suporte a mais de 90 idiomas, e o Eleven v3, a mais de 70 idiomas.

• Voice Library com mais de 3.000 vozes compartilhadas pela comunidade
• Clonagem profissional de voz para réplicas com a mais alta fidelidade
• Clonagem instantânea de voz para replicar vozes rapidamente
• Design de voz para gerar vozes personalizadas a partir de descrições em texto

Saiba mais sobre nossas opções de voz.

Prompting

Os modelos interpretam o contexto emocional diretamente da entrada de texto. Por exemplo, adicionar texto descritivo como “ela disse animada” ou usar pontos de exclamação influencia a emoção da fala. Configurações de voz como Estabilidade e Similaridade ajudam a controlar a consistência, enquanto a emoção subjacente vem de pistas textuais.

Leia o guia de prompting para mais detalhes.

Entonações emocionais com tags de áudio

O Eleven v4 e o Eleven v3 permitem usar eventos de áudio não relacionados à fala para influenciar a entonação do diálogo. Isso é feito inserindo os eventos de áudio na entrada de texto entre colchetes.

No Text to Dialogue, cada turno do diálogo tem seu próprio texto e voz. Adicione tags de áudio dentro do texto do turno que elas devem afetar. O voice_id continua selecionando a voz do falante naquele turno, enquanto as tags orientam a entonação.

Por exemplo, um falante pode usar uma voz enquanto o texto começa com [giggling], e o próximo falante pode usar uma voz diferente enquanto o texto começa com [whispering]. Para ver um exemplo de API que combina tags com voice_id, consulte o guia de início rápido do Text to Dialogue.

As tags de áudio são instruções em linguagem natural, não um parâmetro de enum. Coloque a instrução entre colchetes e insira-a no texto onde a entonação deve mudar. Os exemplos abaixo não são completos; use o guia de prompting para mais orientações sobre tags eficazes.

As tags de áudio têm algumas formas diferentes:

Emoções e entonação

Por exemplo, [sad], [laughing] e [whispering]

Eventos de áudio

Por exemplo, [leaves rustling], [gentle footsteps] e [applause].

Direção geral

Por exemplo, [football], [wrestling match] e [auctioneer].

Alguns exemplos incluem:

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

Você também pode usar pontuação para indicar o fluxo do diálogo, como interrupções:

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

Reticências podem ser usadas para indicar frases inacabadas:

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

Idiomas compatíveis

O Eleven v4 oferece suporte a mais de 90 idiomas. O Eleven v3 oferece suporte a mais de 70 idiomas. Consulte Eleven v4 e Eleven v3 para ver as listas completas.

Perguntas frequentes

Informações principais

• Modelos: Disponível com Eleven v4 e Eleven v3
• Falantes: Sem limite de falantes por diálogo
• Tamanho da solicitação: Mantenha o comprimento total de todos os valores de inputs[].text em até 2.000 caracteres por solicitação
• Determinismo: A saída é não determinística — use o parâmetro seed para resultados mais consistentes
• Regenerações gratuitas: Até 2 regenerações gratuitas por geração (mesmo conteúdo, mesmos parâmetros, somente no painel)
• Propriedade: Você mantém a propriedade do áudio gerado; o uso comercial exige um plano pago