टेक्स्ट टू स्पीच

ElevenLabs न्यूरल वॉइस मॉडल का उपयोग करता है, जो स्वाभाविक लय और उतार-चढ़ाव के साथ आवाज़ बनाते हैं। हर वाक्य के अर्थ के अनुसार डिलीवरी बदलती है। ऑडियो बनाने से पहले मॉडल उच्चारण और गति तय करने के लिए विराम चिह्नों और संदर्भ को पढ़ता है।

Eleven v4, हमारा सबसे भावनात्मक मॉडल, डिलीवरी को सीधे नियंत्रित करने के लिए [laughs] या [whispers] जैसे ऑडियो टैग जोड़ता है। जनरेट करने से पहले किसी भी वॉइस का प्रीव्यू सुनकर उसकी क्वालिटी जानें।

अपना टेक्स्ट ElevenCreative टेक्स्ट टू स्पीच टूल में पेस्ट करें, एक वॉइस और मॉडल चुनें, फिर जनरेट चुनें। नतीजा सुनें, ज़रूरत हो तो वॉइस सेटिंग्स बदलें और फिर फ़ाइल डाउनलोड करें। ऑडियो डिफ़ॉल्ट रूप से MP3 में डाउनलोड होता है।

वेबसाइट पर आप हिस्ट्री टैब से WAV, M4A और FLAC फ़ाइलें भी डाउनलोड कर सकते हैं। API के ज़रिए आप ये फ़ॉर्मैट चुन सकते हैं:

• 22.05 से 44.1 kHz पर MP3, 32 से 192 kbps तक (Creator और उससे ऊपर के प्लान में 192 kbps)
• एडिटिंग और पोस्ट-प्रोडक्शन के लिए 8 से 48 kHz पर PCM (S16LE) (Pro और उससे ऊपर के प्लान में 44.1 kHz)
• टेलीफ़ोनी के लिए 8 kHz पर μ-law और A-law
• स्ट्रीमिंग ऐप्स के लिए 48 kHz पर Opus

ElevenLabs किसी भी आधुनिक ब्राउज़र में चलता है, और ElevenLabs मोबाइल ऐप iOS और Android को सपोर्ट करता है। डेवलपर यही ऑडियो ElevenAPI से जनरेट कर सकते हैं।

टेक्स्ट टू स्पीच के क्रिएटर्स और बिज़नेस, दोनों के लिए कई उपयोग हैं। TTS के आम उपयोगों में शामिल हैं:

• ऑडियोबुक और लंबे फ़ॉर्मैट का नैरेशन
• वीडियो वॉइसओवर और विज्ञापन
• ई-लर्निंग कोर्स और ट्रेनिंग सामग्री
• वॉइस एजेंट और IVR सिस्टम
• गेम और किरदारों के संवाद
• डिस्लेक्सिया या कम दृष्टि वाले पाठकों के लिए सुलभता
• मूल वक्ता जैसे उच्चारण के साथ भाषा सीखना
• प्रकाशकों के लिए लेखों के ऑडियो वर्ज़न

टेक्स्ट टू स्पीच टेक्स्ट को ऑडियो में बदलता है, जबकि स्पीच टू टेक्स्ट इसका उल्टा करता है और ऑडियो को टेक्स्ट में ट्रांसक्राइब करता है। कन्वर्सेशनल AI इन दोनों को भाषा मॉडल के साथ जोड़ता है, ताकि वॉइस एजेंट रियल टाइम में सुन और जवाब दे सके।

• टेक्स्ट टू स्पीच: आप स्क्रिप्ट देते हैं और ElevenLabs उसे पढ़ती हुई वॉइस देता है।
• स्पीच टू टेक्स्ट: आप ऑडियो देते हैं और ElevenLabs उसका ट्रांसक्रिप्ट देता है।
• कन्वर्सेशनल AI: ElevenAgents STT और TTS को एक लो-लेटेंसी एजेंट में भाषा मॉडल के साथ जोड़ता है।

ElevenLabs अपने वॉइस मॉडल खुद बनाता है, जिससे एक ही प्लेटफ़ॉर्म पर एक्सप्रेसिव नैरेशन और रियल-टाइम वॉइस एजेंट मिलते हैं। व्यवहार में इसका मतलब है:

• 17,500+ वॉइस, साथ ही वॉइस डिज़ाइन और वॉइस क्लोनिंग से कस्टम वॉइस
• Eleven v4 के साथ 90+ भाषाएं
• भावनाओं और साउंड इफेक्ट्स के लिए ऑडियो टैग, जिन्हें सीधे स्क्रिप्ट में लिखा जा सकता है
• ~100 ms की मीडियन इनफ़रेंस लेटेंसी पर Eleven v4 Turbo के साथ रियल-टाइम स्ट्रीमिंग
• TypeScript और Python SDK के साथ ElevenAPI
• SOC 2 अनुपालन, साथ ही Enterprise प्लान में HIPAA सपोर्ट

ElevenLabs पर 1M+ यूज़र और Fortune 500 की 66% से ज़्यादा कंपनियां भरोसा करती हैं।

सबसे एक्सप्रेसिव ऑडियो के लिए Eleven v4 इस्तेमाल करें और रियल टाइम में वैसी अभिव्यक्ति चाहिए तो Eleven v4 Turbo चुनें। पुराने मॉडल भी उपलब्ध हैं और उन्हें खास ज़रूरतों के लिए इस्तेमाल किया जा सकता है।

• Eleven v4: 90+ भाषाओं, ऑडियो टैग, मल्टी-स्पीकर डायलॉग, Professional Voice Clone सपोर्ट और हर रिक्वेस्ट में 10,000 तक कैरेक्टर वाला सबसे भावनात्मक ElevenLabs मॉडल। ऑडियोबुक, फ़िल्म, गेम और विज्ञापनों के लिए सबसे उपयुक्त।
• Eleven v4 Turbo: ~100 ms की मीडियन इनफ़रेंस लेटेंसी पर v4 की एक्सप्रेसिव रेंज। वॉइस एजेंट और लाइव ऐप्स के लिए सबसे उपयुक्त।
• Eleven v3: 70+ भाषाएं और ऑडियो टैग, हर रिक्वेस्ट में 5,000 तक कैरेक्टर।
• Multilingual v2: 29 भाषाएं और हर रिक्वेस्ट में 10,000 तक कैरेक्टर।
• Flash v2.5: 32 भाषाएं, ~75 ms मॉडल लेटेंसी, हर रिक्वेस्ट में 40,000 तक कैरेक्टर और API के ज़रिए हर कैरेक्टर की आधी कीमत।

सभी मॉडल ElevenAPI के ज़रिए काम करते हैं। मॉडल बदलने के लिए बस मॉडल ID बदलनी होती है। ये कैरेक्टर सीमाएं हर API रिक्वेस्ट पर लागू होती हैं।

ElevenLabs टेक्स्ट टू स्पीच, Eleven v4 और Eleven v4 Turbo के साथ 90+ भाषाओं को सपोर्ट करता है। मॉडल के हिसाब से कवरेज अलग है: Eleven v3 70+ भाषाओं, Flash v2.5 32 और Multilingual v2 29 भाषाओं को सपोर्ट करता है।

ऐक्सेंट आपकी चुनी हुई वॉइस से आता है और आप वॉइस को अमेरिकन, ब्रिटिश, ऑस्ट्रेलियाई या इंडियन इंग्लिश जैसे ऐक्सेंट से फ़िल्टर कर सकते हैं। वॉइस लाइब्रेरी की वॉइस या आपकी अपनी क्लोन वॉइस, उसके मॉडल द्वारा सपोर्ट की जाने वाली हर भाषा बोल सकती है। Eleven v4 पर, दूसरी भाषा बोलने वाली वॉइस उस भाषा का नेटिव ऐक्सेंट इस्तेमाल करती है। एक वॉइस उन सभी बाज़ारों के लिए आपकी स्क्रिप्ट का नैरेशन कर सकती है, जहां आप बेचते हैं।

ElevenLabs 17,500+ वॉइस देता है। आप अपनी वॉइस भी जोड़ सकते हैं। वॉइस लाइब्रेरी में भाषा, ऐक्सेंट, जेंडर, उम्र और उपयोग के आधार पर खोज की जा सकती है। वॉइस डिज़ाइन, वॉइस के साउंड का लिखित विवरण लेकर नई वॉइस बनाता है। अपनी वॉइस क्लोन करने के लिए:

• इंस्टेंट वॉइस क्लोनिंग: छोटी रिकॉर्डिंग से क्लोन बनाएं; आदर्श रूप से एक से दो मिनट का ऑडियो। Starter और उससे ऊपर के प्लान में उपलब्ध।
• प्रोफ़ेशनल वॉइस क्लोनिंग: 30+ मिनट की साफ़ रिकॉर्डिंग पर उच्च-विश्वसनीयता वाला क्लोन ट्रेन करें। यह ऐक्सेंट और वोकल रेंज कैप्चर करता है और Creator व उससे ऊपर के प्लान में उपलब्ध है।

आप सिर्फ़ उसी वॉइस को क्लोन कर सकते हैं जिसे इस्तेमाल करने की आपको अनुमति हो। वेरिफ़िकेशन के बाद प्रोफ़ेशनल वॉइस क्लोनिंग सिर्फ़ आपकी अपनी वॉइस तक सीमित है। ElevenLabs अपने AI स्पीच क्लासिफ़ायर का इस्तेमाल क्लोन किए गए ऑडियो का पता लगाने में मदद के लिए करता है।

ElevenLabs TTS से आपको वॉइस और स्क्रिप्ट पर पूरा नियंत्रण मिलता है। आप Eleven v4 और Eleven v4 Turbo में Audio Tags का इस्तेमाल करके अपनी स्क्रिप्ट में [whispers], [hesitant] और [excited] जैसे स्वाभाविक निर्देश लिख सकते हैं। Eleven v4 में वॉइस सेटिंग्स से आप स्थिरता और समानता एडजस्ट कर सकते हैं, और विराम चिह्न व ऑडियो टैग बोलने की गति तय करते हैं। ब्रांड नामों के लिए IPA या उच्चारण शब्दकोश से सटीक उच्चारण सेट करें।

ElevenAPI से आप अपने डेवलपर एप्लिकेशन में TTS लागू कर सकते हैं और REST या स्ट्रीमिंग के ज़रिए स्पीच जनरेट कर सकते हैं। इसमें आधिकारिक TypeScript और Python SDKs उपलब्ध हैं। स्ट्रीमिंग, पूरा ऑडियो तैयार होने से पहले ही प्लेबैक शुरू कर देती है, जिससे वॉइस ऐप्स तेज़ी से प्रतिक्रिया देते हैं। रीयल-टाइम इस्तेमाल के लिए: 

• Eleven v4 Turbo: ~100 ms औसत इन्फ़रेंस लेटेंसी और पहली स्पीच तक ~150 ms का औसत समय
• Flash v2.5: ~75 ms मॉडल लेटेंसी

ये आंकड़े सिर्फ़ मॉडल के समय को कवर करते हैं। नेटवर्क और ऐप लेटेंसी इनके अतिरिक्त होती है। कॉन्करेंट रिक्वेस्ट की संख्या प्लान और मॉडल के अनुसार बढ़ती है: Flash मॉडल में Free पर 4 से Business पर 30 तक, दूसरे मॉडल में 2 से 15 तक, और Enterprise की सीमाएं इससे ज़्यादा हैं। दो-तरफ़ा वॉइस एजेंट्स के लिए, ElevenAgents इन्हीं वॉइसेज़ में स्पीच टू टेक्स्ट और टर्न-टेकिंग जोड़ता है।

आप ElevenLabs पर मुफ़्त में TTS शुरू कर सकते हैं। Free प्लान में हर महीने 10,000 क्रेडिट मिलते हैं, जो लगभग 10 मिनट के ऑडियो के लिए पर्याप्त हैं, और इसके लिए क्रेडिट कार्ड की ज़रूरत नहीं है। पेड प्लान 30,000 क्रेडिट के लिए $6 प्रति माह से शुरू होते हैं, जबकि Enterprise प्लान की कीमत कस्टम होती है।

क्रेडिट कैसे काम करते हैं: 

• हर जनरेशन में आपके टेक्स्ट के कैरेक्टर के आधार पर क्रेडिट खर्च होते हैं। मौजूदा प्लान में लगभग 1,000 क्रेडिट से एक मिनट का ऑडियो बनता है।
• API के ज़रिए Flash v2.5 हर कैरेक्टर के लिए आधे क्रेडिट इस्तेमाल करता है।
• वेबसाइट पर, पहली जनरेशन के दो घंटे के भीतर उसी टेक्स्ट को उसी वॉइस और मॉडल के साथ दो बार तक दोबारा जनरेट करना मुफ़्त है।
• हर महीने आपके बिलिंग साइकल के साथ क्रेडिट रीफ़्रेश होते हैं। इस्तेमाल न किए गए क्रेडिट, अधिकतम दो महीनों के क्रेडिट तक, रोल ओवर हो जाते हैं, बशर्ते आप प्लान रद्द या डाउनग्रेड न करें।

पेड प्लान में कमर्शियल अधिकार, Professional Voice Cloning, बेहतर ऑडियो क्वालिटी और ज़्यादा कॉन्करेंट रिक्वेस्ट भी मिलती हैं।

हां, किसी भी पेड प्लान पर। पेड प्लान में YouTube वीडियो, पॉडकास्ट, विज्ञापन, ऑडियोबुक, गेम और ऐप्स के लिए कमर्शियल अधिकार शामिल हैं और कोई अतिरिक्त रॉयल्टी नहीं है। आपके जनरेट किए ऑडियो का स्वामित्व आपका रहता है। Free प्लान व्यक्तिगत, गैर-व्यावसायिक इस्तेमाल के लिए है और ElevenLabs को श्रेय देना ज़रूरी है। व्यावसायिक इस्तेमाल ElevenLabs की उपयोग की शर्तों और निषिद्ध उपयोग नीति के अधीन है।

ElevenLabs डेटा सुरक्षा को गंभीरता से लेता है और अग्रणी Enterprise ग्राहक हम पर भरोसा करते हैं। हमारी कंप्लायंस स्थिति में शामिल हैं: 

• SOC 2 Type II प्रमाणित
• ISO 27001 प्रमाणित
• PCI DSS Level 1 प्रमाणित
• GDPR अनुपालक
• Enterprise प्लान पर स्वास्थ्य सेवा के लिए HIPAA-योग्य वर्कफ़्लो

आपकी सहमति के बिना आपके टेक्स्ट इनपुट का इस्तेमाल हमारे मॉडल को ट्रेन करने के लिए नहीं किया जाता। Enterprise ग्राहक योग्य API सेवाओं के लिए Zero Retention Mode सक्षम कर सकते हैं।* 

वॉइस क्लोन को AI स्पीच क्लासिफ़ायर तकनीक से सुरक्षित किया जाता है, जो AI-जनरेटेड ऑडियो का पता लगा सकती है। 

*ZRM-योग्य API सेवाओं के लिए, जहां ZRM सही तरीके से सक्षम है, कुछ प्रकार का डेटा रखा नहीं जाता। इसमें वेबसाइट ट्रैफ़िक शामिल नहीं है। अधिक जानकारी के लिए दस्तावेज़ देखें।