ElevenLabs வெளிப்பாட்டுத்திறன் மிக்க AI பேச்சுக்கான அளவுகோலை உயர்த்துகிறது
ElevenLabs நிறுவனம் Eleven v4-ஐ அறிமுகப்படுத்துகிறது. இது அதன் முந்தைய பதிப்பை விட இயக்குநர் குறிப்புகளை மிகத் துல்லியமாகப் பின்பற்றுவதாகவும், நீண்ட வடிவ தயாரிப்புகளில் விவரிப்பாளர் அல்லது கதாபாத்திரத்தின் குரலை நிலையாக வைத்திருப்பதாகவும் நிறுவனம் கூறுகிறது. இதனுடன், நிகழ்நேர பயன்பாடுகளை நோக்கமாகக் கொண்ட வேகமான ஒரு வகையையும் நிறுவனம் வெளியிடுகிறது; அங்கு பதிலளிக்கும் குரல் முகவர்கள் வரலாற்று ரீதியாக வெளிப்பாட்டுத்திறனில் சமரசம் செய்ய வேண்டியிருந்தது.
Eleven v3 வெளியிடப்பட்டு ஏறக்குறைய ஒரு ஆண்டுக்குப் பிறகு இந்த வெளியீடு வருகிறது. v3 ஏற்கனவே ஆடியோ குறிச்சொற்களுக்கான ஆதரவை அறிமுகப்படுத்தியிருந்தாலும், அந்த வழிமுறைகளைக் குறைந்த துல்லியத்துடனேயே பின்பற்றியது. v4 மூலம், பயன்படுத்தக்கூடிய செயற்கைக் குரலுக்கும் உண்மையிலேயே நடிப்புத் திறன் கொண்ட குரலுக்கும் இடையிலான வேறுபாடு, ஒரு எழுத்தாளர் அல்லது தயாரிப்பாளர் கொடுக்கும் இயக்கங்களை ஒரு மாதிரி எவ்வளவு நம்பகமாக விளக்குகிறது என்பதிலும், ஒரு ஆடியோ புத்தகம், டப்பிங் திட்டம் அல்லது நீண்ட ஊடாடும் அமர்வின் போது அந்த நடிப்பு எவ்வளவு குறைவாக விலகுகிறது என்பதிலும் தங்கியுள்ளது என்று ElevenLabs நம்புகிறது.
இயக்கக் குறிப்புகள் மிகவும் நம்பகமானவையாக மாறுகின்றன
Eleven v4-இன் மைய வாக்குறுதி கட்டுப்பாடு. பயனர்கள் ஒரு திரைக்கதையில் உணர்வு, இடைநிறுத்தங்கள் மற்றும் ஒலி விளைவுகளை வரிக்கு வரி குறிப்பிடும் குறிச்சொற்களால் குறிக்கலாம், அல்லது வெறுமனே எளிய வாக்கியங்களில் தாங்கள் விரும்புவதை விவரிக்கலாம். ElevenLabs-இன் கூற்றுப்படி, புதிய பதிப்பு இந்த வழிமுறைகளை v3-ஐ விடக் கணிசமாகச் சிறப்பாகக் கையாளுகிறது.
நடைமுறையில், இதன் பொருள் சிரிப்பு, கிசுகிசுப்பு, கதவு சாத்தும் சத்தம் போன்ற சொற்கள் அல்லாத ஒலிகள் மிக நம்பகமாகவும் சரியான இடத்திலும் உருவாக்கப்படுகின்றன. தட்டையான செயற்கை வாசிப்பை அமைப்புமிக்க நடிப்பிலிருந்து பிரிப்பது இதுபோன்ற விவரங்களே. தவறான அசையில் விழும் ஒரு சிரிப்பு, அல்லது தவறான தீவிரத்துடன் வரும் ஒரு கிசுகிசுப்பு, மாயையை உடனே உடைத்துவிடும்; அந்த இடைவெளியின் பெரும்பகுதியை மூடும் பதிப்பாகவே ElevenLabs v4-ஐ நிலைநிறுத்துகிறது.
உச்சரிப்புக் கட்டுப்பாடுகளும் இறுக்கப்பட்டுள்ளன. பெயர்கள், பிராண்ட் சொற்கள் மற்றும் தொழில்நுட்பச் சொற்கள் எவ்வாறு உச்சரிக்கப்பட வேண்டும் என்பதை எழுத்தாளர்கள் ஒலிப்பு எழுத்துப்பிழை மூலம் நிர்ணயிக்கலாம், மேலும் அந்தக் கட்டுப்பாடுகள் இப்போது முன்பை விட மிகவும் சீராகச் செயல்படுவதாக நிறுவனம் கூறுகிறது. சுருக்கெழுத்துகள், வேதியியல் பெயர்கள் அல்லது ஆங்கிலம் அல்லாத சொந்தப் பெயர்கள் நிறைந்த உள்ளடக்கத்தை உருவாக்குபவர்களுக்கு, அந்த நம்பகத்தன்மை உணர்ச்சி வரம்புக்கு இணையான மதிப்புடையது.
ஒரு குரலை நிலையாக வைத்திருக்க வடிவமைக்கப்பட்ட கட்டமைப்பு
ஒரு திரைக்கதையின் தொனி, வேகம் மற்றும் சூழலை பகுப்பாய்வு செய்யும் புதிய மாதிரி கட்டமைப்பிற்கு ElevenLabs இந்த மேம்பாடுகளைக் காரணம் கூறுகிறது; ஒவ்வொரு வரியையும் தனித்துவமான உரை அலகாகக் கருதுவதில்லை. ஒரு தயாரிப்பு நீண்டதாக இருக்கும்போது அந்தச் சூழல் விழிப்புணர்வு மிக முக்கியமாகிறது.
தனிப்பட்ட வரிகள் திருத்தத்தின் போது பல முறை மீண்டும் உருவாக்கப்படும் பணிப்பாய்வுகளில் கூட, ஒரு திட்டம் முழுவதும் விவரிப்பாளர்களும் கதாபாத்திரங்களும் ஒரே மாதிரியாக ஒலிக்க வேண்டும். டஜன் கணக்கான தனித்தனி டேக்குகளிலிருந்து ஒரு குரல்-ஒலியை இணைத்தவர்கள் அந்தத் தோல்வி முறையை அறிவார்கள்: இங்கும் அங்கும் ஒரு சொற்றொடர் நிறம், ஆற்றல் அல்லது உச்சரிப்பில் நுட்பமாக மாறி, கேட்கக்கூடிய ஒரு மூட்டை விட்டுச் செல்வது. அந்த விலகலைத் தடுக்கவே v4 கட்டப்பட்டுள்ளதாக ElevenLabs கூறுகிறது.
ஒவ்வொரு கோரிக்கையும் 10,000 எழுத்துகள் வரை கையாள முடியும், இது தோராயமாக பத்து நிமிட முடிக்கப்பட்ட ஆடியோவுக்குச் சமம். ஆடியோ புத்தகங்கள் போன்ற நீண்ட படைப்புகள் பல பிரிவுகளிலிருந்து இணைக்கப்படுகின்றன, மேலும் அந்த மாற்றங்கள் முழுவதும் வேகமும் வழங்கலும் நிலையாக இருக்கும் என்று நிறுவனம் எதிர்பார்க்கிறது. உரையாடலில், ஒவ்வொரு பேச்சாளரின் வரியையும் தனித்தனியாக நிகழ்த்துவதற்குப் பதிலாக, முழு காட்சியின் சூழலுக்கும் மாதிரி பதிலளிக்கும் என்று கூறப்படுகிறது — இது பரஸ்பர உரையாடல்களை மாறி மாறி வரும் ஒரே மனக்குரல்களைப் போலல்லாமல், உரையாடலைப் போல உணர வைக்கும்.
பரந்த மொழி பரப்பளவு மற்றும் மீட்டெடுக்கப்பட்ட குளோன் கருவிகள்
Eleven v4 90-க்கும் மேற்பட்ட மொழிகளை ஆதரிக்கிறது, இது v3 வழங்கிய சுமார் 70 மொழிகளிலிருந்து அதிகரிப்பு. இந்த விரிவாக்கத்துடன் குளோன் செய்யப்பட்ட குரல்கள் பற்றிய ஒரு குறிப்பிட்ட கூற்றும் இணைக்கப்பட்டுள்ளது: அவை அசல் பதிவின் உச்சரிப்புக்கு படிப்படியாகத் திரும்பாமல், தாய்மொழி போன்ற உச்சரிப்புடன் பிற மொழிகளைப் பேச முடியும். ஆங்கில மூலப் பொருளிலிருந்து உருவாக்கப்பட்ட ஒரு குரல், ஸ்பானிஷ் அல்லது ஜப்பானியம் போன்ற மொழிகளைப் பேசும்போது அதன் மூலத்தைக் காட்டிக் கொடுக்கும் பலமொழி டப்பிங்கில் இதுபோன்ற விலகல் நீண்டகாலமாக ஒரு புகாராக இருந்து வருகிறது.
v3-இல் ஆதரவு இல்லாத Professional Voice Clones, v4-இல் மீண்டும் செயல்படுவதாகவும் ElevenLabs கூறுகிறது; இது உயர்தர தயாரிப்பு பணிப்பாய்வுகள் இழந்த ஒரு திறனை மீட்டெடுக்கிறது. நிறுவனத்தின் மறுமுனையில், ஒரு Instant Voice Clone-க்கு பத்து விநாடி ஆடியோ மட்டுமே தேவைப்படுகிறது, இது ஸ்டுடியோ தரமான பதிவுகள் இல்லாத பயனர்களுக்கு விரைவான முன்மாதிரி உருவாக்கத்தை அணுகக்கூடியதாக வைத்திருக்கிறது.
Turbo நிகழ்நேர குரல் முகவர்களை நோக்கி நகர்கிறது
அறிவிப்பின் இரண்டாம் பாதி வேகத்தைப் பற்றியது. Eleven v4 Turbo வாடிக்கையாளர் சேவை அழைப்புகள் மற்றும் விளையாட்டு கதாபாத்திரங்கள் போன்ற நிகழ்நேர பயன்பாடுகளுக்காக உருவாக்கப்பட்டுள்ளது; அங்கு ஒரு வினாடியின் பின்னப் பகுதிக்கு மேல் ஒரு இடைநிறுத்தம் ஏற்பட்டால் ஊடாட்டம் செயற்கையாகத் தோன்றும்.
ElevenLabs-இன் சோதனையின்படி, Turbo சுமார் 150 மில்லிவினாடிகளில் கேட்கக்கூடிய பேச்சை உருவாக்கத் தொடங்குகிறது. இது நீண்டகாலமாக இருந்த ஒரு சமரசத்தைத் தீர்க்கிறது என்று நிறுவனம் கூறுகிறது: குரல் முகவர் உருவாக்குநர்கள் முன்பு வேகமான பதிலுக்கும் வெளிப்பாட்டுத்திறன் மிக்க பதிலுக்கும் இடையே தேர்ந்தெடுக்க வேண்டியிருந்தது. Turbo இரண்டையும் வழங்குவதை நோக்கமாகக் கொண்டுள்ளது, இது உரையாடல் முகவர்களை திட்டமிடப்பட்ட தொலைபேசி மரங்களைப் போலல்லாமல், நேரடி உரையாடலில் பங்கேற்பவர்களைப் போல ஒலிக்கச் செய்யலாம்.
Eleven v4 ஒரு பார்வையில்
- உணர்வு, இடைநிறுத்தங்கள் மற்றும் ஒலி விளைவுகளுக்கான இயக்கக் குறிச்சொற்கள் மற்றும் எளிய மொழி வழிமுறைகளை மிகத் துல்லியமாகப் பின்பற்றுதல்
- சிரிப்பு, கிசுகிசுப்பு மற்றும் கதவு சாத்தும் சத்தம் போன்ற விளைவுகள் v3-ஐ விட நம்பகமாக உருவாக்கப்படுதல்
- தனிப்பட்ட வரிகள் மீண்டும் உருவாக்கப்படும்போது உட்பட, நீண்ட தயாரிப்புகள் முழுவதும் நிலையான விவரிப்பாளர் மற்றும் கதாபாத்திரக் குரல்கள்
- ஒரு கோரிக்கைக்கு 10,000 எழுத்துகள் வரை, தோராயமாக பத்து நிமிட ஆடியோ
- v3-இல் சுமார் 70-இலிருந்து, 90-க்கும் மேற்பட்ட மொழிகளுக்கு ஆதரவு
- குளோன் செய்யப்பட்ட குரல்கள் மற்ற மொழிகளில் தாய்மொழி உச்சரிப்பைத் தக்கவைத்து, மீண்டும் விலகாமல் இருக்கும் என எதிர்பார்க்கப்படுகிறது
- v3-இல் ஆதரவு இல்லாத Professional Voice Clones மீட்டெடுக்கப்பட்டது; Instant Voice Clone-க்கு பத்து விநாடி ஆடியோ தேவை
- Eleven v4 Turbo சுமார் 150 மில்லிவினாடிகளில் பேசத் தொடங்குகிறது, இது போட்டி மாதிரிகளை விட மேலானது என்று ElevenLabs கூறுகிறது
தலைப்புச் செய்தியை விட விவரங்கள் ஏன் முக்கியம்
பேச்சு தொகுப்பில் போட்டி எல்லை மாறிவிட்டது. சரளமான, மனிதக் குரல் போன்ற ஆடியோ இப்போது அடிப்படைத் தேவை; தளங்களைப் பிரிப்பது கட்டுப்படுத்தும் திறன் — ஒரு இயக்குநர் ஒரு குறிப்பிட்ட வழங்கலைக் கேட்டு, டேக்கிற்குப் பின் டேக் அதை மாறாமல் திரும்பப் பெற முடியுமா என்பது. Eleven v4-இன் முன்வைப்பு அடிப்படையில் அளவில் கணிக்கக்கூடிய தன்மையைப் பற்றியது — பத்து நிமிட அத்தியாய பதிவிறக்கத்திலிருந்து ஒரு வாடிக்கையாளருக்கு ஐந்தில் ஒரு வினாடிக்குள் பதிலளிக்கும் நேரடி முகவர் வரை.
ஆடியோ புத்தகங்கள், டப்பிங் செய்யப்பட்ட வீடியோ மற்றும் ஊடாடும் கதாபாத்திரங்களை உருவாக்குபவர்களுக்கு, Turbo-இன் வேகம் உண்மையான உரையாடல் சூழல்களில் எவ்வளவு சிறப்பாக நிலைத்திருக்கிறது, பிரிவு வாரியாக இணைப்பு ஒரு முழு நீள தலைப்பு முழுவதும் அதன் தொனி நிலையை உண்மையிலேயே தக்கவைத்துக் கொள்கிறதா என்பதே நடைமுறைக் கேள்விகள். இவை ElevenLabs இப்போது முன்வைக்கும் கூற்றுகள்; வரும் மாதங்களின் தயாரிப்புப் பணி அவை எவ்வளவு சிறப்பாக நிலைத்திருக்கின்றன என்பதைத் தீர்மானிக்கும்.
This article is based on reporting by The Decoder. Read the original article.
Originally published on the-decoder.com
