ElevenLabs: Eleven Flash v2

Eleven Flash v2, ElevenLabs का एक टेक्स्ट-टू-स्पीच मॉडल है, जो api14 पर speech श्रेणी के अंतर्गत सूचीबद्ध है। यह केवल अंग्रेज़ी के लिए बना मॉडल है, जिसे अति-कम विलंबता वाले संश्लेषण के लिए तैयार किया गया है, जो इसे ElevenLabs की श्रृंखला में उच्च-निष्ठा वाली प्रोडक्शन आवाज़ों के बजाय रीयल-टाइम और संवादात्मक हिस्से में रखता है।

मॉडल अपने इनपुट के रूप में केवल टेक्स्ट लेता है और अपने आउटपुट के रूप में केवल भाषण लौटाता है। यह छवि, ऑडियो या अन्य गैर-टेक्स्ट इनपुट स्वीकार नहीं करता, और यह टेक्स्ट उत्पन्न नहीं करता। मॉडल कार्ड में टोकन में कोई संदर्भ लंबाई सूचीबद्ध नहीं है, इसलिए योजना बनाने के लिए कोई टोकन विंडो नहीं है; व्यावहारिक इनपुट बाधा प्रति कॉल 30,000-वर्ण की अनुरोध सीमा है। इक्कीस नामित आवाज़ें उपलब्ध हैं: george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger और will। आवाज़ का चयन आउटपुट पर आपका मुख्य नियंत्रण है, क्योंकि कोई अन्य जनरेशन पैरामीटर उजागर नहीं किया गया है।

ये विशेषताएँ उपयोगों के एक काफी विशिष्ट समूह की ओर संकेत करती हैं। चूँकि विलंबता प्राथमिकता है और मॉडल केवल अंग्रेज़ी का है, यह उन वॉइस एजेंटों के लिए उपयुक्त है जो लाइव बातचीत में उत्तर देते और प्रतिक्रिया देते हैं, चैट या सहायक इंटरफ़ेस में बोले गए उत्तरों के लिए, और पढ़कर सुनाने वाली सुविधाओं के लिए जहाँ एक सेकंड या अधिक का ठहराव ध्यान देने योग्य होगा। छोटे प्रॉम्प्ट, पुष्टिकरण, मेनू वर्णन और बारी-बारी संवाद इनके लिए स्वाभाविक रूप से उपयुक्त हैं, और उन मामलों के लिए 30,000-वर्ण की सीमा उदार है। लंबे वर्णन, ऑडियोबुक और ऐसी सामग्री जहाँ प्रतिक्रिया समय से अधिक वितरण गुणवत्ता मायने रखती है, के लिए अन्य ElevenLabs मॉडल बेहतर सेवा देंगे, और अंग्रेज़ी के अलावा किसी अन्य भाषा की आवश्यकता वाले किसी भी वर्कफ़्लो के लिए पूरी तरह से एक अलग मॉडल की आवश्यकता होगी।

आप मॉडल को api14 के OpenAI-संगत API के माध्यम से मॉडल आईडी "elevenlabs/eleven-flash-v2" का उपयोग करके कॉल करते हैं। अनुरोध बॉडी में आपका टेक्स्ट और वह आवाज़ होती है जो आप चाहते हैं। मॉडल कार्ड में आवाज़ सूची के अलावा कोई समर्थित पैरामीटर सूचीबद्ध नहीं है, इसलिए ट्यून करने के लिए और कुछ नहीं है: न कोई temperature, न कोई गति या शैली नियंत्रण, और न कोई सैंपलिंग विकल्प। यदि आपका कोड पहले से ही OpenAI चैट या ऑडियो इंटरफ़ेस को समझता है, तो मॉडल फ़ील्ड को इस आईडी पर इंगित करना और टेक्स्ट प्रदान करना ही पूरा एकीकरण है।

मुख्य बातें जिन पर ध्यान देना है, वे हैं भाषा और दायरा। केवल अंग्रेज़ी का अर्थ है कि गैर-अंग्रेज़ी टेक्स्ट दायरे से बाहर है, और ट्यून करने योग्य पैरामीटरों का अभाव意味着 आप अनुरोध से वितरण समायोजित नहीं कर सकते; इसके बजाय शुरुआत में ही सही आवाज़ चुनें। यदि आपको बहुभाषी आउटपुट, लंबे रूप का वर्णन, या भाषण की ध्वनि पर बारीक नियंत्रण चाहिए, तो कोई अन्य मॉडल चुनें।