ElevenLabs: Eleven Flash v2

Eleven Flash v2 は ElevenLabs のテキスト読み上げモデルで、api14 の speech カテゴリに掲載されています。英語専用のモデルで、超低遅延の合成のために作られており、そのため ElevenLabs のラインナップの中でも、同社のより高忠実度な制作向け音声ではなく、リアルタイムおよび会話向けの部分に位置づけられています。

このモデルはテキストのみを入力として受け取り、音声のみを出力として返します。画像、音声、その他の非テキスト入力は受け付けず、テキストも生成しません。モデルカードにはトークン単位のコンテキスト長が記載されていないため、計画すべきトークンウィンドウはありません。実用的な入力制約は、1回の呼び出しあたり 30,000 文字のリクエスト上限です。21 個の名前付き音声が利用できます: george、sarah、adam、alice、bella、bill、brian、callum、charlie、chris、daniel、eric、harry、jessica、laura、liam、lily、matilda、river、roger、will。他の生成パラメータが公開されていないため、音声の選択が出力に対して持つ主要な調整手段です。

これらの特性は、かなり特定の用途を示しています。遅延が優先され、モデルが英語専用であるため、ライブの会話で受け答えする音声エージェント、チャットやアシスタントインターフェースでの音声による返答、1 秒以上の間が目立つ読み上げ機能に適しています。短いプロンプト、確認、メニューのナレーション、ターンごとの対話は自然に合致し、そうしたケースでは 30,000 文字の上限は十分に余裕があります。より長いナレーション、オーディオブック、応答時間よりも話し方の品質が重要なコンテンツには、他の ElevenLabs モデルの方が適しており、英語以外の言語を必要とするワークフローには、まったく別のモデルが必要になります。

モデルは、モデル id "elevenlabs/eleven-flash-v2" を使用して、api14 の OpenAI 互換 API を通じて呼び出します。リクエスト本文には、テキストと希望する音声を含めます。モデルカードには音声リスト以外にサポートされるパラメータが記載されていないため、他に調整できるものはありません: temperature も、速度やスタイルの制御も、サンプリングオプションもありません。コードがすでに OpenAI の chat または audio インターフェースに対応しているなら、model フィールドをこの id に向けてテキストを渡すことが統合のすべてです。

主に注意すべき点は、言語と範囲です。英語専用とは、非英語テキストが対象外であることを意味し、調整可能なパラメータがないことは、リクエストから話し方を調整できないことを意味します。代わりに、最初から適切な音声を選んでください。多言語の出力、より長い形式のナレーション、または音声の聞こえ方に対するより細かな制御が必要な場合は、別のモデルを選んでください。