ElevenLabs הציגה את Eleven v4, מודל Text-to-Speech חדש שנועד לקרוא תסריטים כמו שחקן: להבין מי מדבר, מה קרה לפני השורה ואיך היא צריכה להישמע.
שליטה מתוך הסקריפט
המודל מאפשר להוסיף הוראות כמו [laughs], [whispers], [pause] ואפקטים קוליים ישירות בתוך הטקסט. לפי החברה, הוא תומך ביותר מ-90 שפות, במספר דוברים ובסצנות קוליות.
עקביות בפרויקטים ארוכים
Context stitching אמור לשמור על קצב והגשה יציבים גם לאורך ספרי אודיו. אפשר לייצר מחדש שורה בלי שהקול ייסחף לדמות אחרת.
גם לסוכנים קוליים
Eleven v4 Turbo מיועד לשיחות בזמן אמת, עם latency חציוני של כ-100 מילישניות וזמן עד תחילת הדיבור של כ-150 מילישניות.
המשמעות היא מעבר מטקסט-לדיבור פשוט לשכבת בימוי קולית שאפשר להפעיל מתוך הסקריפט. עם זאת, קולות משכנעים דורשים גם אחריות: ElevenLabs מציינת ש-cloning מקצועי דורש הסכמה מאומתת.
מקור: ElevenLabs.