ElevenLabs: Eleven Flash v2

Eleven Flash v2 é um modelo de conversão de texto em fala da ElevenLabs, listado em api14 na categoria speech. É um modelo apenas em inglês, criado para síntese com latência ultrabaixa, o que o coloca na parte de tempo real e conversacional da linha ElevenLabs, em vez de entre as vozes de produção de maior fidelidade da empresa.

O modelo recebe texto como sua única entrada e retorna fala como sua única saída. Ele não aceita imagem, áudio ou outras entradas que não sejam texto, e não gera texto. O cartão do modelo não lista comprimento de contexto em tokens, então não há janela de tokens para planejar; a restrição prática de entrada é o limite de 30.000 caracteres por requisição. Vinte e uma vozes nomeadas estão disponíveis: george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger e will. A escolha da voz é a principal alavanca que você tem sobre a saída, já que nenhum outro parâmetro de geração é exposto.

Essas características apontam para um conjunto bastante específico de usos. Como a latência é a prioridade e o modelo é apenas em inglês, ele se encaixa em agentes de voz que respondem em uma conversa ao vivo, respostas faladas em interfaces de chat ou assistente, e recursos de leitura em voz alta onde uma pausa de um segundo ou mais seria perceptível. Prompts curtos, confirmações, narração de menus e diálogo turno a turno são adequados naturalmente, e o limite de 30.000 caracteres é generoso para esses casos. Narração mais longa, audiolivros e conteúdo em que a qualidade da entrega importa mais do que o tempo de resposta são melhor atendidos por outros modelos da ElevenLabs, e qualquer fluxo de trabalho que precise de um idioma diferente do inglês precisará de um modelo completamente diferente.

Você chama o modelo através da API compatível com OpenAI da api14 usando o id de modelo "elevenlabs/eleven-flash-v2". O corpo da requisição carrega seu texto e a voz que você deseja. O cartão do modelo não lista parâmetros suportados além da lista de vozes, então não há mais nada para ajustar: sem temperature, sem controles de velocidade ou estilo, e sem opções de amostragem. Se seu código já fala a interface de chat ou áudio da OpenAI, apontar o campo model para este id e fornecer o texto é toda a integração.

As principais coisas a observar são idioma e escopo. Apenas em inglês significa que texto em outros idiomas está fora do escopo, e a ausência de parâmetros ajustáveis significa que você não pode ajustar a entrega a partir da requisição; escolha a voz certa desde o início. Se você precisa de saída multilíngue, narração de formato mais longo, ou controle mais refinado sobre como a fala soa, escolha um modelo diferente.