Eleven v3 är nu tillgänglig för alla

Eleven v3, vår mest avancerade Text to Speech-modell, har lämnat Alpha och är nu tillgänglig för alla.

Sedan Alpha-släppet har vi fortsatt att förbättra modellen. Två viktiga förbättringar:

Stabilare. I tester föredrog användare den nya versionen 72 % av gångerna jämfört med tidigare Alpha-version.

Mer träffsäker. Vi har förbättrat hur modellen hanterar siffror, symboler och specialnotation på olika språk.

Förbättrad noggrannhet

Text to Speech-modeller måste tolka det du skriver och avgöra hur det ska sägas. Samma symboler kan betyda olika saker beroende på sammanhang.

Ta ett telefonnummer som exempel: "+49 170 9876543"

I vissa fall läste våra modeller detta som "plus fyrtionio, etthundrasjuttio, nio miljoner åttahundrasjutiosextusen femhundrafyrtiotre" – alltså som stora tal istället för en sifferföljd. Rätt läsning är "plus fyra nio, ett sju noll, nio åtta sju sex fem fyra tre."

Den här typen av fel dök upp i flera kategorier – sportresultat, kemiska formler, valutor, koordinater – överallt där modellen behövde tolka symboler och avgöra hur de skulle uttalas.

Vi testade mot ett internt riktmärke med 27 kategorier på 8 språk.

Sammanfattning: 68 % färre fel. Felfrekvensen gick ner från 15,3 % till 4,9 %.

Felfrekvens per kategori:

Förbättringarna märks mest i kategorier där sammanhanget avgör tolkningen – där ett kolon kan betyda sportresultat, tid eller bildförhållande beroende på texten runtomkring.

Exempel

Valutor — rätt storlek:

Inmatning:  ¥250,000

Före: 25 000 yen

Efter:  250 000 yen

Kemiska formler — symbolerna bevaras korrekt:

Inmatning:  SO₂

Före: "svavel dubbel" (osammanhängande)

Efter:  "S O två"

Sportresultat — tolkar utifrån sammanhang:

Inmatning:  Slutresultat: 102-98

Före: "etthundratvå minus nittioåtta"

Efter:  "etthundratvå mot nittioåtta"

Tillgänglighet

Eleven v3 är nu tillgänglig på alla plattformar.