Przez lata celem syntezy mowy było osiągnięcie czystości i naturalności brzmienia. Dążono do głosu, który nie męczy, jest zrozumiały i pozbawiony metalicznego pogłosu dawnych technologii. Ten cel w dużej mierze udało się osiągnąć. Jednak głos, nawet najbardziej płynny, który jedynie odczytuje tekst, pozostaje wciąż tylko narzędziem. Firma ElevenLabs swoim najnowszym modelem v3 zdaje się mówić: czas przestać czytać. Czas zacząć grać.
Najnowsza propozycja od polsko-brytyjskiego startupu to coś więcej niż aktualizacja. To zmiana filozofii, która przesuwa technologię generowania mowy z domeny inżynierii w stronę rzemiosła, a nawet sztuki aktorskiej. Zamiast skupiać się wyłącznie na poprawności dykcji, v3 koncentruje się na tym, co leży pod słowami – na emocjach, intencjach i niuansach, które do tej pory były wyłączną domeną człowieka.
Nowy model otrzymał zdolność do interpretowania tekstu w kontekście emocjonalnym. Zamiast generować neutralny ton, potrafi zabrzmieć radośnie, gniewnie, a nawet szeptać. Co istotne, twórcy otrzymali bezpośrednią kontrolę nad tą warstwą ekspresji. Za pomocą prostych znaczników, takich jak [excited] czy [whispering], mogą precyzyjnie reżyserować nastrój wypowiedzi. Daje to możliwość tworzenia dźwiękowej palety, która do tej pory wymagała pracy z żywym aktorem w studiu.
Ten kierunek rozwoju widać również w nowej funkcji API, która umożliwia komponowanie płynnych, wielogłosowych dialogów. System inteligentnie zarządza dynamiką rozmowy, pozwalając na naturalne nakładanie się kwestii i zachowanie odpowiedniego tempa. To, co dotychczas było domeną skomplikowanego montażu dźwiękowego, staje się dostępne na poziomie samego generowania. Dzięki obsłudze ponad 70 języków, te zaawansowane możliwości stają się dostępne dla twórców na całym świecie.
Posłuchajcie próbki po polsku:
ElevenLabs uczciwie jednak zaznacza, że v3 w obecnej, wczesnej wersji, jest narzędziem specjalistycznym. Nie zaprojektowano go z myślą o interaktywnej, prowadzonej w czasie rzeczywistym konwersacji, jakiej oczekiwalibyśmy od wirtualnych asystentów. Jego siła leży w produkcji. To cyfrowe studio nagraniowe dla deweloperów gier, którzy chcą ożywić swoje postacie, dla producentów audiobooków pragnących oddać głębię narracji, czy dla filmowców potrzebujących wiarygodnego lektora. To narzędzie dla cyfrowych rzemieślników.
