ElevenLabs: Eleven Turbo v2

Eleven Turbo v2, ElevenLabs का एक टेक्स्ट-टू-स्पीच मॉडल है, जिसे यहाँ मॉडल आईडी elevenlabs/eleven-turbo-v2 के अंतर्गत वितरित किया गया है। यह स्पीच श्रेणी से संबंधित है और इसके प्रदाता द्वारा इसे अंग्रेज़ी-केवल, कम विलंबता वाले टेक्स्ट-टू-स्पीच सिस्टम के रूप में स्थान दिया गया है, जो उन डेवलपर उपयोग मामलों के लिए बनाया गया है जहाँ गति महत्वपूर्ण है और केवल अंग्रेज़ी की आवश्यकता होती है। यदि आप ElevenLabs को वॉइस विक्रेता के रूप में पहले से जानते हैं, तो यह उनकी स्पीच लाइनअप का तेज़ स्तर है, सामान्य प्रयोजन वाला भाषा मॉडल नहीं।

मॉडल अपने एकमात्र इनपुट के रूप में टेक्स्ट लेता है और अपने एकमात्र आउटपुट के रूप में स्पीच लौटाता है। इसके लिए कोई कॉन्टेक्स्ट विंडो आंकड़ा प्रकाशित नहीं है, इसलिए यह ऐसा मॉडल नहीं है जिसे आप चैट मॉडल की तरह टोकन सीमाओं पर मूल्यांकन करेंगे। प्रदाता इसे प्रति अनुरोध लगभग 30,000 अक्षरों के इनपुट के आसपास वर्णित करता है, और सिंथेसिस से पहले स्क्रिप्ट को खंडों में बाँटते समय यही आयाम महत्वपूर्ण होता है। यह नामित वॉइस के एक निश्चित सेट के साथ आता है: george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, और will। इस प्रविष्टि के लिए कोई अनुरोध पैरामीटर समर्थित के रूप में सूचीबद्ध नहीं है।

व्यावहारिक उपयोग सीधे कम विलंबता और अंग्रेज़ी-केवल आउटपुट से निकलते हैं। इंटरैक्टिव वॉइस इंटरफ़ेस को सबसे अधिक लाभ होता है, क्योंकि टेक्स्ट भेजने और ऑडियो प्राप्त करने के बीच की देरी ही वह चीज़ है जिसे उपयोगकर्ता नोटिस करते हैं। यही बात किसी सहायक में प्रतिक्रियाओं को ज़ोर से पढ़ने, ऐसे प्रोटोटाइप या आंतरिक डेमो के लिए नैरेशन उत्पन्न करने पर लागू होती है जहाँ स्टूडियो पॉलिश से अधिक टर्नअराउंड मायने रखता है, और लेखों या सूचनाओं जैसी छोटी अंग्रेज़ी सामग्री के ऑडियो संस्करण बनाने पर भी। चूँकि एक अनुरोध लगभग 30,000 अक्षरों तक स्वीकार करता है, लंबे दस्तावेज़ों को बहुत सारे छोटे कॉल के बजाय कुछ ही कॉल में संभाला जा सकता है, जिससे क्लाइंट कोड और परिणामी ऑडियो की स्टिचिंग दोनों सरल हो जाती हैं।

आप इसे मॉडल आईडी elevenlabs/eleven-turbo-v2 का उपयोग करके api14 के OpenAI-संगत API के माध्यम से कॉल करते हैं। अनुरोध का स्वरूप वही है जो आप गेटवे पर अन्य मॉडलों के लिए पहले से उपयोग करते हैं: आपकी api14 कुंजी के माध्यम से प्रमाणीकरण, मॉडल आईडी और आपके प्रॉम्प्ट टेक्स्ट को ले जाने वाला JSON बॉडी, और बदले में एक ऑडियो प्रतिक्रिया। इस मॉडल की समर्थित पैरामीटर सूची खाली है, इसलिए केवल मॉडल आईडी और टेक्स्ट भेजने की योजना बनाएँ, और ऊपर दी गई सूची से कोई एक नामित वॉइस चुनें, बजाय यह मानने के कि मनमाने वॉइस पहचानकर्ता स्वीकार किए जाएँगे। यदि आपका मौजूदा कोड भेजने से पहले अज्ञात फ़ील्ड हटा देता है, तो अतिरिक्त रूप से कॉन्फ़िगर करने के लिए कुछ नहीं है।

प्रतिबद्ध होने से पहले दो सीमाएँ तौलने योग्य हैं। मॉडल अंग्रेज़ी-केवल है, इसलिए कोई भी गैर-अंग्रेज़ी टेक्स्ट सही ढंग से संभाला नहीं जाएगा, और वॉइस सेट निश्चित है, जिससे इस प्रविष्टि के माध्यम से क्लोनिंग या कस्टम वॉइस असंभव हो जाती हैं। विलंबता वह व्यापार है जो प्रदाता कर रहा है, इसलिए यदि आपकी प्राथमिकता गति के बजाय अभिव्यंजक या अत्यधिक नियंत्रित प्रस्तुति है, तो api14 पर कोई भिन्न स्पीच मॉडल संभवतः अधिक उपयुक्त होगा।