شرکت Elevenlabs از جدیدترین مدل تبدیل متن به گفتار خود با نام Eleven v3 (Alpha) رونمایی کرده است؛ مدلی که تمرکز اصلی آن بر بازسازی طبیعی‌تر احساسات انسانی در صداهای مصنوعی است. این نسخه با پشتیبانی از بیش از ۷۰ زبان از جمله فارسی و قابلیت تولید گفتگوهای چندنفره طبیعی، گام مهمی در توسعه فناوری گفتار مصنوعی برداشته است.
شرکت Elevenlabs جدیدترین مدل تبدیل متن به گفتار خود را با نام Eleven v3 (Alpha) معرفی کرده است که تمرکز اصلی آن بر تولید صداهای مصنوعی با بیان احساسات طبیعی‌تر و واقعی‌تر است. این مدل از فارسی هم پشتیبانی می‌کند.
این مدل توانایی بازسازی طبیعی‌تر احساسات متنوعی مانند نجوا، خنده، آه‌کشیدن و واکنش‌های هیجانی را نسبت به نسخه‌های قبلی دارد. هدف اصلی Elevenlabs در این نسخه برطرف‌کردن مشکل انتقال احساسات در صداهای مصنوعی بوده است؛ زیرا پیشتر فقط کیفیت صدا اهمیت داشت اما اکنون با بازطراحی کامل، این مدل می‌تواند صداهایی با احساسات واقعی‌تر و واکنش‌های طبیعی‌تر تولید کند.
قابلیت‌های مدل هوش مصنوعی Eleven v3
یکی از ویژگی‌های برجسته Eleven v3 پشتیبانی از بیش از 70 زبان ازجمله فارسی همچنین امکان اجرای طبیعی و روان گفتگوهای چندنفره است. کاربران می‌توانند از طریق API جدید متن‌های ساختاریافته را که شامل نوبت هر گوینده می‌شود، به مدل ارسال کنند و مدل خودکار مدیریت تغییر نوبت گوینده، تحولات احساسی و حتی قطع کلام‌ها را بر عهده می‌گیرد. این قابلیت برای تولید دیالوگ‌های چندصدایی بسیار کاربردی است و امکان تولید گفتگوهای پیچیده و طبیعی را فراهم می‌کند.کنترل شیوه بیان صداها از طریق برچسب‌های صوتی درون متن نیز از دیگر امکانات مهم Eleven v3 است. این برچسب‌ها که در قالب کروشه‌های کوچک و حروف کوچک نوشته می‌شوند، مانند [sighs] (آه کشیدن)، [excited] (هیجان‌زده) یا [whispers] (نجواکردن)، به کاربران اجازه می‌دهند احساسات مختلف و لحن گفتار را مستقیم تنظیم کنند. حتی می‌توان چندین برچسب را کنار هم قرار داد تا بیان دقیق‌تر و ظریف‌تری ایجاد شود؛ مثلاً We did it! [happily][shouts][laughs] («ما موفق شدیم! [شادی][فریاد][خنده]»).
به گفته شرکت Elevenlabs، این مدل بیشتر برای کاربردهای حرفه‌ای مانند تولید فیلم، کتاب صوتی و رسانه‌های دیجیتال طراحی شده است و نسخه نهایی API عمومی آن به‌زودی عرضه خواهد شد. هم‌اکنون Eleven v3 روی وب‌سایت شرکت در دسترس است و تا پایان ژوئن (خرداد) 80 درصد تخفیف برای استفاده از اپلیکیشن ارائه می‌شود. بااین‌حال، برای کاربردهای بلادرنگ یا گفتگوهای زنده، مدل‌های v2.5 Turbo یا Flash همچنان توصیه می‌شوند؛ زیرا نسخه فعلی v3 برای این موارد بهینه نشده و نسخه بلادرنگ آن در دست توسعه است.همچنین کلون‌های صوتی حرفه‌ای (Professional Voice Clones) فعلاً با این نسخه سازگاری کامل ندارند و نسبت به نسخه‌های قبلی کیفیت کمتری ارائه می‌دهند؛ بنابراین برای پروژه‌هایی که به ویژگی‌های بیانی جدید نیاز دارند، استفاده از کلون‌های صوتی آنی (Instant Voice Clones) یا صداهای ساخته‌شده پیشنهاد می‌شود.
دیدگاه تان را بنویسید