ElevenLabs Speech To Speech V2
Rede Neural
ElevenLabs Speech To Speech V2 é um modelo de conversão de fala com controle máximo sobre o conteúdo e a prosódia.
Especificações
- Entrada
- áudio
- Saída
- áudio
Custo do prompt
(por 1M tokens)
Como funciona ElevenLabs Speech To Speech V2?
ElevenLabs Speech To Speech V2 é um modelo de conversão de fala da ElevenLabs para tarefas que exigem controle máximo sobre o conteúdo e a prosódia do resultado. Você fornece a faixa de áudio original e obtém uma nova fala, na qual a entonação, o ritmo e os sotaques são ajustados conforme o roteiro. Através do BotHub, o modelo abre na mesma janela que as outras redes neurais do catálogo: você pode alternar sem novas integrações, o acesso é feito sem VPN ou cartão internacional, o pagamento é em rublos conforme o uso, os tokens não expiram e a conexão com sistemas multimodais é feita via API compatível com OpenAI. Para equipes, há condições corporativas com contrato, fatura e painel administrativo com limites; os dados são transmitidos via criptografia AES-GCM e não são armazenados. Os cenários são variados: redublagem de comerciais com entrega precisa, dublagem e adaptação de vídeos, alinhamento de entonação em cursos, desenvolvimento de falas de personagens em jogos e iterações rápidas para comparar várias versões de uma mesma frase.Perguntas frequentes sobre ElevenLabs Speech To Speech V2
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
O Eleven English v2 é um modelo de conversão de fala: você fornece uma gravação de áudio e obtém um novo áudio na voz desejada. É adequado para dublagem, alteração de timbre e trabalho com a entrega, quando é mais importante manter a entonação e o ritmo da gravação original do que sintetizar a fala do zero. Disponível via BotHub sem VPN ou cartão internacional.
Não se trata de texto, mas de áudio: o modelo recebe e produz som. Segundo nossos dados, o contexto é de até 5000 tokens, com o mesmo limite para uma única resposta. Isso é suficiente para falas curtas e fragmentos de dublagem; gravações longas são melhor divididas em partes e processadas sequencialmente.
Em nossos dados, não há registro de raciocínio antes da resposta para este modelo. O Eleven English v2 é uma ferramenta de áudio: ele converte o áudio fornecido em um novo áudio, portanto, etapas de reflexão e verificação de texto não fazem parte do seu cenário. Para tarefas que exigem uma cadeia de raciocínio, você pode alternar para um modelo de texto no BotHub.
A chamada de funções e a saída estruturada em JSON não estão registradas para o Eleven English v2 em nossos dados. Isso é esperado: o modelo trabalha com áudio e produz som, não estruturas de programação. Se o seu cenário precisa de 'function calling' ou respostas em JSON, o BotHub possui modelos de texto com essas capacidades.
Desta lista, o modelo aceita áudio — é nisso que se baseia todo o seu funcionamento: entrada e saída de som. Não há registros sobre imagens ou vídeos em nossos dados, portanto, não conte com isso. Se precisar carregar uma imagem ou vídeo, o BotHub encontrará um modelo para essa tarefa.
Não há informações sobre o idioma com o qual o modelo trabalha em nossos dados, por isso não podemos prometer qualidade em russo. A maneira mais honesta de verificar é carregar um pequeno fragmento da sua gravação e avaliar o resultado de ouvido. O pagamento no BotHub é feito conforme o uso, então esse teste não custará caro.