Texto a Diálogo

Resumen

La API de ElevenLabs Texto a Diálogo crea diálogos expresivos y naturales a partir de texto con Eleven v4 y Eleven v3. Recomendamos Eleven v4. Algunos casos de uso habituales son:

• Generar conversaciones perfectas para videojuegos
• Crear diálogos inmersivos para pódcasts y otro contenido de audio
• Dar vida a audiolibros con narración expresiva

Puede que necesites varias generaciones para lograr los resultados deseados. Al integrar Texto a Diálogo en tu aplicación, valora generar varias versiones y permitir que el usuario elija la mejor.

Para situar la conversación en una escena, como una llamada telefónica, una cafetería o una sala grande, incluye audio_effects en tu solicitud. Los mismos preajustes de filtro, entornos y ruidos de fondo que en los efectos de audio de Texto a Voz se aplican a todo el diálogo. Los efectos de diálogo solo están disponibles a través de la API.

Escucha un ejemplo:

Opciones de voz

ElevenLabs ofrece miles de voces mediante varios métodos de creación. Eleven v4 admite más de 90 idiomas y Eleven v3, más de 70.

• Biblioteca de voces con más de 10.000 voces compartidas por la comunidad
• Clonación de voz profesional para réplicas de máxima fidelidad
• Clonación de voz instantánea para replicar voces rápidamente
• Diseño de voz para generar voces personalizadas a partir de descripciones de texto

Descubre más sobre nuestras opciones de voz.

Prompting

Los modelos interpretan el contexto emocional directamente a partir del texto de entrada. Por ejemplo, añadir texto descriptivo como «dijo emocionada» o usar signos de exclamación influirá en la emoción de la voz. Los ajustes de voz, como Estabilidad y Similitud, ayudan a controlar la coherencia, mientras que la emoción subyacente procede de las pistas textuales.

Consulta la guía de prompting para obtener más información.

Entonaciones emocionales con etiquetas de audio

Eleven v4 y Eleven v3 permiten usar eventos de audio no verbales para influir en la entonación del diálogo. Para ello, inserta los eventos de audio entre corchetes en el texto de entrada.

En Texto a Diálogo, cada turno de diálogo tiene su propio texto y voz. Añade etiquetas de audio dentro del texto del turno al que deben afectar. voice_id sigue seleccionando la voz del hablante para ese turno, mientras que las etiquetas guían la entonación.

Por ejemplo, un hablante puede usar una voz mientras el texto empieza con [giggling], y el siguiente hablante puede usar una voz diferente mientras el texto empieza con [whispering]. Para ver un ejemplo de API que combina etiquetas con voice_id, consulta la guía de inicio rápido de Texto a Diálogo.

Las etiquetas de audio son instrucciones en lenguaje natural, no un parámetro de enumeración. Encierra la instrucción entre corchetes y colócala en el texto donde deba cambiar la entonación. Los ejemplos siguientes no son exhaustivos; usa la guía de prompting para obtener más orientación sobre etiquetas eficaces.

Las etiquetas de audio tienen varias formas:

Emociones y entonación

Por ejemplo, [sad], [laughing] y [whispering]

Eventos de audio

Por ejemplo, [leaves rustling], [gentle footsteps] y [applause].

Dirección general

Por ejemplo, [football], [wrestling match] y [auctioneer].

Algunos ejemplos:

"[giggling] That's really funny!"
"[groaning] That was awful."
"Well, [sigh] I'm not sure what to say."

También puedes usar puntuación para indicar el flujo del diálogo, como las interrupciones:

"[cautiously] Hello, is this seat-"
"[jumping in] Free? [cheerfully] Yes it is."

Puedes usar puntos suspensivos para indicar frases inacabadas:

"[indecisive] Hi, can I get uhhh..."
"[quizzically] The usual?"
"[elated] Yes! [laughs] I'm so glad you knew!"

Idiomas compatibles

Eleven v4 admite más de 90 idiomas. Eleven v3 admite más de 70 idiomas. Consulta Eleven v4 y Eleven v3 para ver las listas completas.

Preguntas frecuentes

Datos clave

• Modelos: Disponible con Eleven v4 y Eleven v3
• Hablantes: Sin límite de hablantes por diálogo
• Tamaño de solicitud: Mantén la longitud total de todos los valores de inputs[].text en 2.000 caracteres o menos por solicitud
• Determinismo: El resultado no es determinista; usa el parámetro seed para lograr resultados más coherentes
• Regeneraciones gratuitas: Hasta 2 regeneraciones gratuitas por generación (mismo contenido, mismos parámetros, solo en el panel de control)
• Propiedad: Conservas la propiedad del audio generado; el uso comercial requiere un plan de pago