デベロッパー向けSFX v3のご紹介

本日、サウンドエフェクトAPIの最新モデル、SFX v3をリリースします。複数の指示を含むプロンプトにSFX v2より忠実に従い、ボーカルや音楽もより適切に処理します。試すには、POST /v1/sound-generationエンドポイントでmodel_idをeleven_text_to_sound_v3に設定してください。

モデルID

新しいモデルを使うには、モデルIDを変更するだけです。

from elevenlabs import ElevenLabs

elevenlabs = ElevenLabs()

audio = elevenlabs.text_to_sound_effects.convert(
    text="Football crowd cheering, hearing a ball drop, crowd booing",
    model_id="eleven_text_to_sound_v3",
)

サウンドエフェクトの長さは、プロンプトに基づいてモデルが決定します。長さを指定する場合は、duration_secondsに希望する秒数を設定してください。

出力が指示した内容からずれる場合は、prompt_influenceをデフォルト値の0.3より大きくしてください。値を大きくするとプロンプトにより忠実になり、生成ごとのばらつきも小さくなります。output_formatクエリパラメータでは、mp3_44100_128やpcm_48000など、コーデックとサンプルレートを設定できます。

現在、ループ機能はeleven_text_to_sound_v2でのみ利用できます。リクエストでループが必要な場合は、v2モデルを使用し、loop: trueを指定してください。

プロンプトの書き方

SFX v3は、複数パートからなるサウンドエフェクトの生成を得意としています。モデルの性能を最大限に引き出すには、プロンプトの順序が重要です。「砂利の上を歩く足音、その後、金属製のドアが開く」のように、出来事を起きる順に並べてください。単一の音には、短く具体的なプロンプトが最適です。

表現の選び方も重要です。あるテスターによると、「フランス語で口論するカップル」は「フランス語でけんかするカップル」よりも、はるかに良い結果になりました。最終的な表現を決める前に、同じ出来事をいくつかの言い回しで試してください。

両方のモデルをテスト

SFX v3は段階的なアップデートです。銅鑼、チャイム、やかんの笛のような高周波音でもクリッピングが起きにくくなり、全体的により自然なサウンドになったとエンジニアリングチームは評価しています。

どちらのモデルも同じエンドポイントで動作するため、A/Bテストを手軽に実施できます。切り替える前に、よく使うプロンプトをv2とv3の両方で実行し、結果を比較してください。

SFX v3を試す

サウンドエフェクト作成APIリファレンスでパラメータの全一覧を確認し、最初のv3リクエストを送信してください。コードを書く前にサウンドエフェクトを試聴したい場合は、ElevenCreativeの「サウンドエフェクト」タブ、Flows、Studioでも利用できます。