ElevenLabs: Eleven Turbo v2

Eleven Turbo v2 to model zamiany tekstu na mowę od ElevenLabs, dystrybuowany tutaj pod identyfikatorem modelu elevenlabs/eleven-turbo-v2. Należy do kategorii mowy, a jego dostawca pozycjonuje go jako angielskojęzyczny system zamiany tekstu na mowę o niskich opóźnieniach, stworzony dla zastosowań deweloperskich, w których liczy się szybkość i potrzebny jest tylko język angielski. Jeśli znasz już ElevenLabs jako dostawcę głosu, to jest to szybszy poziom ich oferty mowy, a nie model językowy ogólnego przeznaczenia.

Model przyjmuje tekst jako jedyne dane wejściowe i zwraca mowę jako jedyne dane wyjściowe. Nie opublikowano dla niego wartości okna kontekstowego, więc nie jest to model, który ocenia się pod kątem limitów tokenów tak jak model czatu. Dostawca opisuje go w oparciu o limit 30 000 znaków na żądanie, co jest wymiarem istotnym przy dzieleniu skryptu przed syntezą. Jest dostarczany ze stałym zestawem nazwanych głosów: george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger i will. Żadne parametry żądania nie są wymienione jako obsługiwane dla tego wpisu.

Praktyczne zastosowania wynikają bezpośrednio z niskich opóźnień i angielskojęzycznego wyniku. Interaktywne interfejsy głosowe zyskują najwięcej, ponieważ opóźnienie między wysłaniem tekstu a otrzymaniem dźwięku jest tym, co zauważają użytkownicy. To samo dotyczy czytania odpowiedzi na głos w asystencie, generowania narracji do prototypu lub wewnętrznego demo, gdzie czas realizacji liczy się bardziej niż studyjne dopracowanie, oraz tworzenia wersji audio krótkich angielskich treści, takich jak artykuły czy powiadomienia. Ponieważ pojedyncze żądanie przyjmuje do około 30 000 znaków, dłuższe dokumenty można obsłużyć w niewielkiej liczbie wywołań zamiast wielu krótkich, co upraszcza zarówno kod klienta, jak i łączenie powstałego dźwięku.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu elevenlabs/eleven-turbo-v2. Kształt żądania jest taki, jakiego już używasz dla innych modeli w bramie: uwierzytelnianie za pomocą klucza api14, treść JSON zawierająca identyfikator modelu i tekst polecenia oraz odpowiedź audio w zamian. Lista obsługiwanych parametrów dla tego modelu jest pusta, więc zakładaj wysyłanie tylko identyfikatora modelu i tekstu, a także wybierz jeden z nazwanych głosów z powyższej listy, zamiast zakładać, że dowolne identyfikatory głosów zostaną zaakceptowane. Jeśli istniejący kod usuwa nieznane pola przed wysłaniem, nie ma nic dodatkowego do skonfigurowania.

Przed podjęciem decyzji warto rozważyć dwa ograniczenia. Model obsługuje tylko język angielski, więc każdy tekst w innym języku nie zostanie obsłużony poprawnie, a zestaw głosów jest stały, co wyklucza klonowanie lub niestandardowe głosy przez ten wpis. Opóźnienie jest kompromisem, na który decyduje się dostawca, więc jeśli priorytetem jest ekspresyjna lub precyzyjnie kontrolowana dostawa, a nie szybkość, lepszym wyborem będzie prawdopodobnie inny model mowy w api14.