Apresentando o Eleven v3 (alpha)

Temos o prazer de apresentar o Eleven v3 (alpha) — o modelo de Text to Speech mais expressivo.

Esta prévia de pesquisa traz um nível inédito de controle e realismo para a geração de voz com:

• Mais de 70 idiomas
• Diálogo com vários falantes
• Tags de áudio como [excited], [whispers] e [sighs]

Eleven v3 (alpha) exige mais engenharia de prompt do que os modelos anteriores — mas as gerações são impressionantes.

Se você trabalha com vídeos, audiolivros ou ferramentas de mídia, isso abre um novo nível de expressividade. Para casos de uso em tempo real e conversacionais, recomendamos continuar usando o v2.5 Turbo ou Flash por enquanto. Uma versão em tempo real do v3 está em desenvolvimento.

O Eleven v3 está disponível hoje em nosso site e na API.

Por que criamos o v3

Desde o lançamento do Multilingual v2, vimos a IA de voz ser adotada no cinema profissional, no desenvolvimento de jogos, na educação e na acessibilidade. Mas a limitação constante não era a qualidade do som — era a expressividade. Emoções mais intensas, interrupções em conversas e trocas convincentes entre falantes eram difíceis de alcançar.

O Eleven v3 resolve essa lacuna. Ele foi criado do zero para oferecer vozes que suspiram, sussurram, riem e reagem — gerando uma fala que parece realmente responsiva e viva.

O que há de novo no Eleven v3 (alpha)

Como usar tags de áudio

As tags de áudio ficam no próprio texto do seu roteiro e são formatadas entre colchetes em letras minúsculas. Saiba mais sobre tags de áudio em nosso guia de prompting para o v3 na documentação.

No momento, os Clones de Voz Profissionais (PVCs) não estão totalmente otimizados para o Eleven v3, o que pode resultar em uma qualidade de clone inferior à dos modelos anteriores. Durante esta fase de prévia de pesquisa, o ideal é encontrar um Clone de Voz Instantâneo (IVC) ou uma voz criada para o seu projeto caso você precise usar os recursos do v3. A otimização de PVCs para o v3 chegará em breve.

Por exemplo, você pode usar o prompt: “[whispers] Algo está vindo… [sighs] Eu consigo sentir.” Ou, para ter um controle mais expressivo, você pode combinar várias tags:

“[happily][shouts] We did it! [laughs].”

Como criar diálogos com vários falantes

O Eleven v3 é compatível com nosso endpoint atual de Text to Speech. Além disso, apresentamos um novo endpoint da API Text to Dialogue. Forneça uma matriz estruturada de objetos JSON — cada um representando a fala de um participante — e o modelo gera um arquivo de áudio coeso, com sobreposições:

[
  {"speaker_id": "scarlett", "text": "(cheerfully) Perfect! And if that pop-up is bothering you, there’s a setting to turn it off under Notifications → Preferences."},
  {"speaker_id": "lex", "text": "You are a hero. An actual digital wizard. I was two seconds from sending a very passive-aggressive support email."},
  {"speaker_id": "scarlett", "text": "(laughs) Glad we could stop that in time. Anything else I can help with today?"}
]

O endpoint gerencia automaticamente as transições entre falantes, mudanças emocionais e interrupções.

Saiba mais aqui.

Preços e disponibilidade

Para ativar o v3:

• Use o seletor de modelo e selecione Eleven v3 (alpha)

O acesso à API e o suporte no Estúdio chegarão em breve. Para obter acesso antecipado, fale com vendas.

Quando não usar o v3

O Eleven v3 (alpha) exige mais engenharia de prompt do que nossos modelos anteriores. Quando funciona, o resultado é impressionante, mas a confiabilidade e a maior latência fazem com que ele não seja adequado para casos de uso em tempo real e conversacionais. Para esses casos, recomendamos o Eleven v2.5 Turbo/Flash.

Para saber mais, consulte a documentação do v3 e as perguntas frequentes.

1. Entre na interface do ElevenLabs
2. Selecione o v3 (alpha) no menu suspenso de modelos
3. Cole seu roteiro — use tags ou diálogos 
4. Gere o áudio

Estamos animados para ver como você dará vida ao v3 em novos casos de uso — de narrativas imersivas a fluxos de produção cinematográfica.