На 28 септември ElevenLabs представи Eleven v4, изцяло нова архитектура за текст в реч, и бързия Eleven v4 Turbo за гласови агенти. По данни на компанията моделът е първи в класацията на Artificial Analysis, а в слепи сравнения около 75 на сто от слушателите го предпочитат.
- Изговорът се насочва с описание на естествен език и с етикети като [laughs] или [light rain].
- Turbo е направен за агенти: медианно закъснение около 100 милисекунди, по данни на компанията.
- Моментален клонинг на глас стига с 10 секунди запис. Двата модела поддържат над 90 езика.
„Трябва да останеш спокоен.“ Лекар го казва тихо на уплашен пациент. Герой в игра го крещи на отряда си. Думите са едни и същи.
С този пример ElevenLabs открива съобщението си и е прав да го направи. Глас, който чете думите правилно, отдавна не е новина. Новината е глас, който разбира как се казва едно изречение.
Всеки, който е стоял зад пулта на събитие, знае, че едно и също „добър вечер“ може да вдигне залата или да я приспи. Разликата никога не е в текста.
Хубавото е очевидно: аудиокнига с истински герои, дублаж, в който марката звучи като себе си на всеки език, гласов агент, който не звучи като автомат в лош ден.
Другото също е очевидно. Десет секунди запис за клонинг са чудесна новина за дублажа и неприятна за всеки, чийто глас е някъде в мрежата. А глас, който може да изиграе тон, може да изиграе и чужд тон.
Ще го чуя на български, преди да кажа повече. Над деветдесет езика в съобщението е обещание, а дали ударенията ни ще са на място, се чува за минута.