Text till dialog

Översikt

ElevenLabs Text to Dialogue-API skapar naturligt och uttrycksfullt tal från text med Eleven v4 och Eleven v3. Vi rekommenderar Eleven v4. Vanliga användningsområden är:

• Skapa träffsäkra samtal för tv-spel
• Skapa uppslukande dialog för poddar och annat ljudinnehåll
• Ge ljudböcker liv med uttrycksfull berättarröst

Flera genereringar kan krävas för att uppnå önskat resultat. När du integrerar Text to Dialogue i din applikation bör du överväga att skapa flera genereringar och låta användaren välja den bästa.

Lyssna på ett exempel:

Röstalternativ

ElevenLabs erbjuder tusentals röster genom flera olika skapandemetoder. Eleven v4 har stöd för över 90 språk och Eleven v3 har stöd för över 70 språk.

• Röstbibliotek med över 3 000 röster delade av communityn
• Professionell röstkloning för kopior med högsta möjliga kvalitet
• Omedelbar röstkloning för snabb röstkopiering
• Voice Design för att skapa anpassade röster från textbeskrivningar

Läs mer om våra röstalternativ.

Promptning

Modellerna tolkar känslomässig kontext direkt från textinmatningen. Att till exempel lägga till beskrivande text som “sa hon upphetsat” eller använda utropstecken påverkar talets känsla. Röstinställningar som stabilitet och likhet hjälper till att styra konsekvensen, medan den underliggande känslan kommer från textens signaler.

Läs promptguiden för mer information.

Känslomässig leverans med ljudtaggar

Eleven v4 och Eleven v3 gör det möjligt att använda ljudhändelser som inte är tal för att påverka hur dialogen levereras. Det gör du genom att lägga in ljudhändelser i textinmatningen inom hakparenteser.

I Text to Dialogue har varje replik sin egen text och röst. Lägg till ljudtaggar i texten för den replik de ska påverka. voice_id väljer fortfarande talarens röst för den repliken, medan taggarna styr leveransen.

En talare kan till exempel använda en röst medan texten börjar med [giggling], och nästa talare kan använda en annan röst medan texten börjar med [whispering]. Se snabbstartsguiden för Text to Dialogue för ett API-exempel som kombinerar taggar med voice_id.

Ljudtaggar är instruktioner på naturligt språk, inte en enum-parameter. Sätt instruktionen inom hakparenteser och placera den i texten där leveransen ska ändras. Exemplen nedan är inte uttömmande. Använd promptguiden för mer vägledning om effektiva taggar.

Ljudtaggar finns i några olika former:

Känslor och leverans

Till exempel [sad], [laughing] och [whispering]

Ljudhändelser

Till exempel [leaves rustling], [gentle footsteps] och [applause].

Övergripande instruktion

Till exempel [football], [wrestling match] och [auctioneer].

Några exempel:

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

Du kan också använda skiljetecken för att ange dialogens flöde, till exempel avbrott:

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

Ellipser kan användas för att ange avbrutna meningar:

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

Språk som stöds

Eleven v4 har stöd för över 90 språk. Eleven v3 har stöd för över 70 språk. Se Eleven v4 och Eleven v3 för de fullständiga listorna.

Vanliga frågor

Viktiga fakta

• Modeller: Tillgängligt med Eleven v4 och Eleven v3
• Talare: Ingen gräns för antalet talare per dialog
• Begäransstorlek: Håll den totala längden för alla inputs[].text-värden på högst 2 000 tecken per begäran
• Determinism: Utdata är icke-deterministiska — använd parametern seed för mer konsekventa resultat
• Kostnadsfria omgenereringar: Upp till 2 kostnadsfria omgenereringar per generering (samma innehåll, samma parametrar, endast i kontrollpanelen)
• Äganderätt: Du behåller äganderätten till genererat ljud; kommersiell användning kräver ett betalabonnemang