ElevenLabs: Eleven Flash v2.5

Eleven Flash v2.5 é um modelo de texto para fala da ElevenLabs, listado em api14 na categoria speech. Ele pertence à linha Flash dos modelos da ElevenLabs, que o provedor descreve como texto para fala de latência ultrabaixa, e é voltado diretamente para casos de uso conversacionais e em tempo real, em vez de síntese em lote offline. Se você está construindo algo que precisa responder falando a um usuário rapidamente, esta é a família de modelos a considerar primeiro.

O modelo recebe texto como entrada e retorna fala como saída. Ele suporta 32 idiomas, o que significa que um único model id pode cobrir aplicações de voz multilíngues sem que você troque de modelo por localidade. O provedor também informa um limite de 40.000 caracteres por requisição, então uma única chamada pode lidar com uma quantidade substancial de texto, em vez de uma ou duas frases. Vinte e uma vozes estão disponíveis: george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger e will. Não há comprimento de contexto publicado em tokens para este modelo, e a lista de parâmetros em api14 está vazia, então planeje em torno do limite de caracteres e da seleção de voz do provedor, em vez de controles de amostragem.

Os casos de uso óbvios decorrem da baixa latência somada a um amplo conjunto de idiomas. Assistentes de voz e agentes conversacionais são o encaixe principal, já que as respostas precisam ser geradas e faladas enquanto o usuário ainda está esperando. Narração em tempo real, como ler atualizações ao vivo, notificações ou texto em streaming conforme ele chega, é outra aplicação natural. Experiências interativas multilíngues também funcionam bem aqui: bots de suporte ao cliente, ferramentas de aprendizado de idiomas e prompts de voz dentro de aplicativos podem todos usar a mesma cobertura de 32 idiomas. Como as requisições podem carregar até 40.000 caracteres, passagens mais longas, como leitura de artigos ou narração de formato longo, também são viáveis em uma única chamada.

Você chama o modelo através da API compatível com OpenAI da api14 usando o model id "elevenlabs/eleven-flash-v2.5". Como a interface é compatível com OpenAI, você aponta seu cliente existente para a URL base da api14, envia sua API key e define o campo model com esse id; o texto que você quer falado entra como input. A seleção de voz é onde este modelo difere de um modelo de chat, e os 21 nomes de voz listados acima são os que devem ser usados. A lista de parâmetros suportados para este modelo está vazia, então não presuma que temperature, top_p ou opções de amostragem semelhantes terão qualquer efeito; mantenha sua requisição no model id, no texto de entrada e na voz escolhida.

A principal restrição a ter em mente é o escopo. Este modelo produz fala apenas a partir de texto, então ele não pode transcrever áudio nem retornar texto, e uma tarefa que precise de transcrição pertence a um modelo de fala para texto. Se você precisa de um modelo hospedado com um conjunto rico de parâmetros de requisição ajustáveis, ou de um cujo contexto seja medido em tokens para documentos muito longos, confira outras entradas em api14, já que o Eleven Flash v2.5 não oferece parâmetros para ajustar nem contexto de tokens publicado.