ElevenLabs: Eleven Flash v2.5

Eleven Flash v2.5 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。ElevenLabs のモデルの中でも Flash 系に位置し、プロバイダーはこれを超低遅延のテキスト読み上げと説明しており、オフラインのバッチ合成ではなく、会話型およびリアルタイムのユースケースにまっすぐ向けられています。ユーザーにすばやく話し返す必要があるものを作っているなら、まず検討すべきモデルファミリーです。

このモデルはテキストを入力として受け取り、音声を出力として返します。32 言語をサポートしており、つまり 1 つの model id で、ロケールごとにモデルを切り替えることなく多言語の音声アプリケーションをカバーできます。プロバイダーは 40,000 文字のリクエスト上限も示しているので、1 回の呼び出しで 1 文か 2 文ではなく、かなりの量のテキストを扱えます。利用可能な音声は 21 種類です: george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will。このモデルについてトークン単位のコンテキスト長は公開されておらず、api14 のパラメーター一覧は空なので、サンプリング制御ではなく、プロバイダーの文字数上限と音声選択を前提に設計してください。

明らかなユースケースは、低遅延と広い言語セットから導かれます。音声アシスタントや会話エージェントは主な適合先です。ユーザーがまだ待っている間に応答を生成して読み上げる必要があるためです。リアルタイムのナレーション、たとえばライブ更新、通知、到着したテキストをそのまま読み上げるような用途も自然な応用先です。多言語のインタラクティブ体験もここではうまく機能します。カスタマーサポート bot、語学学習ツール、アプリ内の音声プロンプトはどれも、同じ 32 言語のカバレッジを利用できます。リクエストは最大 40,000 文字を運べるため、記事の読み上げや長文ナレーションのような長い文章も 1 回の呼び出しで実行できます。

このモデルは、model id "elevenlabs/eleven-flash-v2.5" を使って api14 の OpenAI 互換 API 経由で呼び出します。インターフェースが OpenAI 互換なので、既存のクライアントを api14 のベース URL に向け、API キーを送信し、model フィールドをその id に設定します。読み上げたいテキストは input として渡します。音声選択はこのモデルがチャットモデルと異なる点であり、上に挙げた 21 の音声名を使用します。このモデルのサポート対象パラメーター一覧は空なので、temperature、top_p、または同様のサンプリングオプションが効果を持つと想定しないでください。リクエストは model id、入力テキスト、選択した音声にとどめてください。

留意すべき主な制約は範囲です。このモデルはテキストから音声を生成するだけなので、音声を文字起こししたりテキストを返したりすることはできず、文字起こしが必要なタスクは代わりに音声認識モデルの担当です。調整可能なリクエストパラメーターを豊富に備えたホスト型モデル、または非常に長い文書向けにコンテキストがトークンで測られるモデルが必要な場合は、api14 の他の項目を確認してください。Eleven Flash v2.5 には調整できるパラメーターがなく、公開されたトークンコンテキストもないためです。