ElevenLabs: Eleven Turbo v2.5

Eleven Turbo v2.5 to model zamiany tekstu na mowę od ElevenLabs, wymieniony na api14 w kategorii speech. Został stworzony przez ElevenLabs i jest identyfikowany na platformie przez model id elevenlabs/eleven-turbo-v2.5. Należy do linii Turbo, która jest pozycjonowana wokół niskich opóźnień, więc jest skierowany do deweloperów, którzy potrzebują szybko generowanej mowy, a nie do wsadowego renderowania offline, gdzie szybkość nie ma znaczenia.

Model przyjmuje tekst jako jedyne wejście i produkuje mowę jako jedyne wyjście. Obsługuje 32 języki, co czyni go rozsądnym wyborem, gdy Twoja aplikacja obsługuje użytkowników, którzy nie mówią po angielsku, a dostawca opisuje go jako równoważący jakość i szybkość dla przypadków użycia deweloperskich, które potrzebują języków innych niż angielski. Jest dostarczany z 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. Opis dostawcy wspomina o limicie 40 000 znaków na wejściu, więc długie fragmenty trzeba podzielić przed wysłaniem. Dla tego modelu nie opublikowano długości kontekstu w tokenach i nie wymieniono żadnych obsługiwanych parametrów żądania.

Praktyczne zastosowania wynikają z tekstu na wejściu i mowy na wyjściu, przy niskich opóźnieniach i szerokim pokryciu językowym. Sięgniesz po niego, budując wyjście głosowe w aplikacji: czytanie odpowiedzi na głos w asystencie, generowanie narracji lub wersji audio treści pisanych, tworzenie podpowiedzi i ogłoszeń dla interaktywnych systemów głosowych albo tworzenie wersji mówionych materiałów dla użytkowników, którzy wolą słuchać. Lista nazwanych głosów oznacza, że możesz wybrać spójny głos dla produktu, dla lokalizacji lub dla persony, bez samodzielnego trenowania czegokolwiek. Ponieważ wejście jest ograniczone liczbą znaków, nadaje się do wypowiedzi, akapitów i krótkich skryptów bardziej niż do całych książek w jednym żądaniu.

Wywołujesz go przez API zgodne z OpenAI na api14, używając model id elevenlabs/eleven-turbo-v2.5, więc istniejące biblioteki klienckie OpenAI i kształty żądań działają z bazowym URL platformy. Model przyjmuje wejście tekstowe i zwraca wyjście mowy. Dla tego modelu nie wymieniono żadnych obsługiwanych parametrów żądania, więc planuj wysyłanie tekstu i model id, i sprawdź aktualną dokumentację, jak przekazywany jest wybór głosu, zanim zbudujesz rozwiązanie wokół konkretnego parametru. Strona pokazuje aktualną tabelę cen, więc sprawdź ją, aby poznać bieżące stawki, zamiast polegać na czymkolwiek napisanym tutaj.

Istnieje kilka przypadków, w których inny model może pasować lepiej. Jeśli Twoje obciążenie jest tylko angielskie i nie potrzebujesz pokrycia języków innych niż angielski, inny model mowy może być bliższym dopasowaniem. Jeśli potrzebujesz obsługi kontekstu opartej na tokenach lub szerokiego zestawu konfigurowalnych parametrów żądania, ten model ich nie reklamuje, a model z opublikowaną długością kontekstu i pełniejszą listą parametrów byłby łatwiejszy do zintegrowania. Limit wejścia 40 000 znaków oznacza również, że bardzo długie dokumenty muszą być dzielone na fragmenty i łączone po Twojej stronie.