Parlez à une statue : créer une application multi-modale avec ElevenAgents
- Rédigé par
- Joe Reeve
- Publié
- Dernière mise à jour
ÉcouterÉcouter cet article
Photographiez une statue. Identifiez les personnages représentés. Puis échangez avec eux à la voix en temps réel, chaque personnage s’exprimant avec une voix distincte adaptée à son époque.
C’est ce que vous pouvez créer avec les API Voice Design et Agent d’ElevenLabs. Dans cet article, nous détaillons l’architecture d’une application web mobile qui associe vision par ordinateur et génération vocale pour transformer les monuments publics en expériences interactives. Tout ce qui suit est reproductible avec les API et les exemples de code ci-dessous.
Passez le tutoriel, créez l’application avec un seul prompt
L’ensemble de l’application ci-dessous a été créé à partir d’un seul prompt, testé avec succès en une seule tentative dans Cursor avec Claude Opus 4.5 (high), depuis un projet NextJS vide. Pour passer directement à la création de votre propre application, collez ceci dans votre éditeur :
Vous pouvez également utiliser les ElevenLabs Agent Skills plutôt que de créer un lien vers la documentation. Elles s’appuient sur la documentation et peuvent donner des résultats encore meilleurs.
La suite de cet article détaille ce que produit ce prompt.
Fonctionnement
Le pipeline comporte cinq étapes :
- Capturer une image
- Identifier l’œuvre et ses personnages (OpenAI)
- Rechercher son histoire (OpenAI)
- Générer des voix uniques pour chaque personnage (ElevenAPI)
- Démarrer une conversation vocale en temps réel via WebRTC (ElevenAgents)
Identifier la statue grâce à la vision
Lorsqu’un utilisateur photographie une statue, l’image est envoyée à un modèle OpenAI capable d’analyser des images. Un prompt système structuré extrait le nom de l’œuvre, son emplacement, son artiste, sa date et, surtout, une description vocale détaillée pour chaque personnage. Le prompt système inclut le format de sortie JSON attendu :
Pour une photographie de la statue de Boudica sur le pont de Westminster, à Londres, la réponse se présente ainsi :
Rédiger des descriptions vocales efficaces
La qualité de la description vocale détermine directement celle de la voix générée. Le guide de prompting Voice Design explique ce point en détail, mais les attributs essentiels à inclure sont : un indicateur de qualité audio (« Perfect audio quality. »), l’âge et le genre, le ton/timbre (grave, résonnant, rocailleux), un accent précis (« thick Celtic British accent » plutôt que simplement « British ») et le rythme. Des prompts plus descriptifs produisent des résultats plus précis : « a tired New Yorker in her 60s with a dry sense of humor » sera toujours plus efficace que « an older female voice ».
Quelques éléments à retenir du guide : utilisez « thick » plutôt que « strong » pour décrire l’intensité d’un accent, évitez les termes vagues comme « foreign » et, pour les personnages fictifs ou historiques, inspirez-vous d’accents réels (par exemple, « an ancient Celtic queen with a thick British accent, regal and commanding »).
Créer des voix de personnages avec Voice Design
L’API Voice Design génère de nouvelles voix synthétiques à partir de descriptions textuelles, sans échantillons vocaux ni clonage. Elle convient donc parfaitement aux personnages historiques dont aucun enregistrement audio n’existe.
Le processus se déroule en deux étapes.
Générer des aperçus
Le paramètre de texte est important. Un texte d’exemple plus long et adapté au personnage (plus de 50 mots) produit des résultats plus stables : adaptez le dialogue au personnage plutôt que d’utiliser une formule de salutation générique. Le guide de prompting Voice Design aborde ce sujet plus en détail.
Enregistrer la voix
Une fois les aperçus générés, sélectionnez-en un et créez une voix permanente :
Pour les statues comportant plusieurs personnages, les voix sont créées en parallèle. Générer les voix de cinq personnages prend environ le même temps que pour un seul :
Créer un Agent ElevenLabs à plusieurs voix
Une fois les voix créées, l’étape suivante consiste à configurer un Agent ElevenLabs capable d’alterner entre les voix des personnages en temps réel.
Changement de voix multiples
Le tableau supportedVoices indique à l’agent quelles voix sont disponibles. La plateforme Agents gère automatiquement le changement de voix : lorsque la réponse du LLM indique qu’un autre personnage parle, le moteur TTS achemine ce segment vers la voix appropriée.
Prompt engineering pour les conversations de groupe
Pour que plusieurs personnages donnent l’impression de former un véritable groupe, plutôt qu’un enchaînement de questions-réponses, le prompt doit être conçu avec soin :
Voix en temps réel via WebRTC
Dernier élément : la connexion côté client. Les Agents ElevenLabs prennent en charge WebRTC pour des conversations vocales à faible latence, sensiblement plus rapides que les connexions basées sur WebSocket, ce qui est essentiel pour des tours de parole naturels.
Côté serveur : obtenir un jeton de conversation
Côté client : démarrer la session
Le hook useConversation gère la capture audio, le streaming, la détection d’activité vocale et la lecture.
Approfondir les recherches avec la recherche web
Pour les utilisateurs qui souhaitent davantage de contexte historique avant de démarrer une conversation, vous pouvez ajouter un mode de recherche approfondie avec l’outil de recherche web d’OpenAI :
Ce que nous avons appris
Ce projet montre qu’en combinant différentes modalités de l’IA, texte, recherche, vision et audio, nous pouvons créer des expériences à la croisée du numérique et du monde réel. Les agents multimodaux offrent encore un vaste potentiel inexploré, que nous aimerions voir davantage de personnes explorer pour l’éducation, le travail et le divertissement.
Commencez à créer
Les API utilisées dans ce projet, Voice Design, ElevenAgents et OpenAI, sont toutes disponibles dès aujourd’hui.
Joe fait partie de l'équipe Growth chez ElevenLabs, et se concentre sur l'aide aux développeurs pour tirer le meilleur parti des modèles audio de pointe d'ElevenLabs




