Eleven v3 jest już ogólnie dostępny

Od publikacji tego artykułu wydaliśmy Eleven v4 — nasz najbardziej ekspresyjny model Text to Speech. Dowiedz się więcej o Eleven v4.

Eleven v3, nasz najbardziej zaawansowany model Text to Speech, wyszedł z fazy Alpha i jest już ogólnie dostępny.

Od premiery Alpha stale udoskonalaliśmy model. Dwie kluczowe zmiany:

Większa stabilność. W testach użytkownicy wybierali nową wersję w 72% przypadków zamiast poprzedniej wersji Alpha.

Większa dokładność. Znacznie poprawiliśmy sposób, w jaki model obsługuje liczby, symbole i specjalistyczną notację w różnych językach.

Poprawa dokładności

Modele Text to Speech muszą interpretować to, co piszesz, i zdecydować, jak to wypowiedzieć. Te same symbole mogą mieć różne znaczenie w zależności od kontekstu.

Weźmy numer telefonu: "+49 170 9876543"

W niektórych przypadkach nasze modele odczytywały go jako „plus czterdzieści dziewięć, sto siedemdziesiąt, dziewięć milionów osiemset siedemdziesiąt sześć tysięcy pięćset czterdzieści trzy” — interpretując cyfry jako duże liczby, a nie ciąg cyfr. Poprawny odczyt to „plus cztery dziewięć, jeden siedem zero, dziewięć osiem siedem sześć pięć cztery trzy”.

Takie błędy pojawiały się w różnych kategoriach — wynikach sportowych, wzorach chemicznych, walutach i współrzędnych — wszędzie tam, gdzie modele musiały interpretować symbole i zdecydować, jak je wypowiedzieć.

Testowaliśmy model na wewnętrznym benchmarku obejmującym 27 kategorii w 8 językach.

Łącznie: liczba błędów spadła o 68%. Wskaźnik błędów zmniejszył się z 15,3% do 4,9%.

Wskaźnik błędów według kategorii:

Największą poprawę widać w kategoriach, w których interpretację określa kontekst — dwukropek może oznaczać wynik sportowy, godzinę lub proporcje obrazu, zależnie od otaczającego tekstu.

Przykłady

Waluty — poprawna wartość:

Dane wejściowe: ¥250 000

Przed: 25 000 jenów

Po: 250 000 jenów

Wzory chemiczne — symbole zachowane poprawnie:

Dane wejściowe: SO₂

Przed: „siarka podwójna” (błędnie)

Po: „S O dwa”

Wyniki sportowe — interpretacja uwzględniająca kontekst:

Dane wejściowe: Wynik końcowy: 102–98

Przed: „sto dwa minus dziewięćdziesiąt osiem”

Po: „sto dwa do dziewięćdziesięciu ośmiu”

Dostępność

Eleven v3 jest już ogólnie dostępny na wszystkich platformach.