Eleven Multilingual Sts V2
Rede Neural
Eleven Multilingual Sts V2 da ElevenLabs: conversão multilingue de fala para fala com controlo de conteúdo e prosódia.
Especificações
- Entrada
- áudio
- Saída
- áudio
Custo do prompt
(por 1M tokens)
Como funciona Eleven Multilingual Sts V2?
Eleven Multilingual Sts V2 é o modelo da ElevenLabs para conversão de fala para fala: ele pega na gravação original e redubla-a, preservando o significado do que foi dito, mas permitindo controlar separadamente o conteúdo e a entonação do resultado. A natureza multilingue significa que uma única ferramenta cobre tarefas em diferentes idiomas, não apenas um. No BotHub, o modelo está acessível sem VPN ou cartões estrangeiros, o pagamento é feito em rublos conforme o uso, e mais de 250 modelos estão disponíveis na mesma janela — é conveniente comparar o resultado da redublagem com outros motores sem precisar de uma nova integração. Para equipas, há API, contrato corporativo com faturação e EDI, painel de administração com limites, e os dados são protegidos por encriptação AES-GCM e não são guardados. O modelo é útil para dobragem de vídeos e clips para redes sociais, substituição de voz em podcasts, criação de várias versões de narração de um texto com diferentes estilos, narração de materiais de jogos e educativos em vários idiomas, e em protótipos de assistentes de voz onde o controlo da prosódia é importante.Perguntas frequentes sobre Eleven Multilingual Sts 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.
É um modelo de conversão de fala: aceita a sua gravação de áudio e narra-a com outra voz, preservando o ritmo, a entonação e as emoções do original. Adequado para dobragem, narração, localização de vídeos e substituição de voz, quando a entrega natural é importante, e não a síntese do zero.
Não escreve texto — o resultado é áudio. Os dados indicam contexto e um limite de saída de 10.000 tokens, mas para este modelo, é um limite para a duração do fragmento de fala processado, não para o volume de texto. Gravações longas são mais fáceis de processar em partes.
Não. Não há passo de raciocínio aqui: o modelo não pensa na resposta, mas converte a fala fornecida na voz selecionada. Nos nossos dados, a capacidade de raciocínio antes da resposta não está marcada, e não é necessária para tarefas de conversão de fala.
Não. A chamada de funções e a saída estruturada em JSON não estão marcadas nos nossos dados e, por definição, não se aplicam a este modelo — o resultado do seu trabalho é um ficheiro de áudio, não uma estrutura de texto. Para cenários com JSON e funções, é necessário um modelo de texto.
A entrada é áudio — este é o único formato marcado nos dados. O modelo não aceita imagens e vídeos porque trabalha com som. Processe imagens e vídeos separadamente e envie apenas a faixa de áudio para aqui.
O modelo é multilingue, mas não há avaliações de qualidade específicas para o português nos nossos dados, por isso não prometemos uma pronúncia perfeita. Dica prática: processe um pequeno fragmento da sua gravação e ouça o resultado — o timbre e a entonação são preservados, mas é melhor verificar a pronúncia de ouvido.