ElevenLabs مدل گفتاری v4 را با صدای طبیعی‌تر معرفی کرد

ElevenLabs مدل گفتاری Eleven v4 را با تمرکز بر اجرای دقیق‌تر دستورهای صوتی و حفظ یکدستی صدا در تولیدهای طولانی عرضه کرده است. این شرکت همچنین نسخه‌ای سریع‌تر با نام Turbo معرفی کرده که برای عامل‌های صوتی بلادرنگ ساخته شده و به گفته ElevenLabs در آزمایش‌های داخلی، حدود ۱۵۰ میلی‌ثانیه پس از دریافت درخواست، تولید گفتار را آغاز می‌کند. ترکیب کنترل بیشتر بر لحن و تلفظ با تأخیر کمتر می‌تواند برای تولید کتاب صوتی، دوبله و سامانه‌هایی که باید در لحظه با کاربر گفت‌وگو کنند، اهمیت داشته باشد.

تغییر اصلی v4 فقط در روان‌تر شدن صدای خروجی خلاصه نمی‌شود. ElevenLabs می‌گوید معماری تازه این مدل متن را با توجه به لحن، سرعت و بافت جمله تحلیل می‌کند تا دستورهای کاربر را بهتر بفهمد. بنابراین کاربران می‌توانند با برچسب‌های صوتی یا جمله‌های معمولی، شیوه اجرای متن را مشخص کنند و برای واژه‌های فنی یا نام‌ها از نگارش آوایی کمک بگیرند. برچسب آوایی، راهی برای نشان‌دادن تلفظ موردنظر است؛ قابلیتی که به‌ویژه برای واژه‌هایی که تلفظشان از روی نوشتار روشن نیست کاربرد دارد.

کنترل دقیق‌تر لحن و حفظ یکدستی صدا

به گفته شرکت، Eleven v4 در تولید صداهایی مانند خنده، نجوا و حتی صدای بسته‌شدن محکم در بهتر از نسل قبلی عمل می‌کند. مدل پیشین، Eleven v3، نیز از برچسب‌های صوتی برای چنین دستورهایی پشتیبانی می‌کرد، اما طبق توضیح ElevenLabs آن‌ها را با دقت کمتری اجرا می‌کرد. تفاوت این است که مدل تازه باید بتواند نشانه‌های اجرایی را با توجه به متن و موقعیت آن‌ها بفهمد، نه اینکه صرفاً به وجود یک برچسب در متن واکنش نشان دهد.

این مدل همچنین برای پروژه‌هایی طراحی شده که در آن‌ها یک راوی یا شخصیت در بخش‌های مختلف باید صدای مشابهی داشته باشد. ElevenLabs می‌گوید کاربر می‌تواند یک خط از متن را چند بار دوباره تولید کند، بی‌آنکه صدای شخصیت در نسخه تازه از نظر ویژگی‌های کلی تغییر کند. چنین ثباتی در کارهای روایی اهمیت دارد؛ چون اگر صدای راوی در جمله‌های متوالی تفاوت محسوس پیدا کند، پیوستگی شنیداری اثر از بین می‌رود.

هر درخواست در Eleven v4 می‌تواند تا ۱۰ هزار نویسه را دربر بگیرد؛ حجمی که شرکت آن را تقریباً برابر با ۱۰ دقیقه صدا می‌داند. برای کارهای بلندتری مانند کتاب صوتی، متن به چند بخش تقسیم می‌شود. ElevenLabs می‌گوید انتظار می‌رود آهنگ و شیوه بیان در گذر از یک بخش به بخش بعدی هم هماهنگ بماند. در گفت‌وگوهای چندشخصیتی نیز مدل باید صحنه را در مجموع در نظر بگیرد و هر جمله را جدا از گفت‌وگوی پیرامون آن اجرا نکند.

پشتیبانی زبانی v4 نیز گسترش یافته است. شمار زبان‌های پشتیبانی‌شده از حدود ۷۰ زبان در v3 به بیش از ۹۰ زبان رسیده است. شرکت می‌گوید صدای شبیه‌سازی‌شده می‌تواند در زبان‌های دیگر با لهجه‌ای طبیعی صحبت کند و در ادامه کار به لهجه زبان اصلی خود بازنگردد. قابلیت Professional Voice Clones که در v3 پشتیبانی نمی‌شد، دوباره در دسترس قرار گرفته است. در مقابل، ساخت یک Instant Voice Clone فقط به ۱۰ ثانیه نمونه صوتی نیاز دارد.

نسخه Turbo برای عامل‌های صوتی سریع‌تر

ElevenLabs در کنار مدل استاندارد، نسخه Turbo را برای کاربردهایی عرضه کرده که در آن‌ها فاصله میان درخواست کاربر و پاسخ صوتی اهمیت دارد. نمونه‌هایی که شرکت نام می‌برد تماس‌های خدمات مشتری و شخصیت‌های بازی هستند. در چنین سامانه‌هایی، پاسخ دیرهنگام می‌تواند جریان گفت‌وگو را مختل کند؛ اما کاهش زمان انتظار نباید به بهای از دست‌رفتن لحن و بیان تمام شود. ElevenLabs می‌گوید هدف Turbo این است که توسعه‌دهندگان ناچار نباشند میان سرعت و بیان‌پذیری یکی را انتخاب کنند.

در آزمایش‌های اعلام‌شده از سوی شرکت، Turbo پس از حدود ۱۵۰ میلی‌ثانیه صدای قابل‌شنیدن تولید می‌کند. ElevenLabs این زمان را با ۲۶۲ میلی‌ثانیه برای Cartesia Sonic 3.6 و ۸۱۴ میلی‌ثانیه برای GPT-4o mini TTS مقایسه کرده است. این ارقام به زمان آغاز تولید گفتار اشاره دارند و بر پایه آزمایش‌های گزارش‌شده در مقاله‌اند؛ از این رو به‌تنهایی کیفیت کلی یا عملکرد هر مدل در همه شرایط را نشان نمی‌دهند. شرکت می‌گوید Turbo را همراه با پلتفرم ElevenAgents بهینه کرده است.

طبق اعلام ElevenLabs، v4 در تابلوی رتبه‌بندی Provider Voice Arena مؤسسه Artificial Analysis بالاتر از Cartesia Sonic 3.6 و Gemini 3.8 Flash TTS قرار گرفته است. این مدل در معیار سنجش تلفظ امتیاز ۹۱٫۷ درصد را کسب کرده؛ رقمی که برای v3 برابر با ۸۵٫۶ درصد بود. همچنین شرکت می‌گوید در آزمون‌های کور خود، حدود سه‌چهارم شنوندگان v4 را به مدل‌های Cartesia، Inworld و Google ترجیح داده‌اند. این نتیجه‌ها به آزمون‌ها و معیارهای مشخص اشاره دارند و باید در همان چارچوب خوانده شوند؛ آن‌ها تضمین نمی‌کنند که همه کاربران یا همه کاربردها همین ترجیح را داشته باشند.

دوبله، شبیه‌سازی صدا و حقوق صاحبان آن

بهبود کیفیت شبیه‌سازی صدا می‌تواند برای دوبله نیز کاربرد داشته باشد. ElevenLabs می‌گوید امکان استفاده از صدای یک بازیگر در زبان‌های پشتیبانی‌شده را فراهم می‌کند. این قابلیت به تولیدکننده اجازه می‌دهد نسخه‌های چندزبانه‌ای بسازد که از یک صدای واحد استفاده می‌کنند؛ البته کیفیت نهایی به اجرای مدل و مواد صوتی در دسترس نیز وابسته است.

موضوع رضایت و جبران مالی صاحبان صدا در این مدل کسب‌وکار مطرح است. طبق توضیح ElevenLabs، این شرکت صداها را با مجوز صاحبان آن‌ها عرضه می‌کند. صداپیشگان می‌توانند نسخه‌ای آموزش‌دیده از صدای خود را در کتابخانه شرکت ارائه دهند و هر بار که کاربران پولی از آن استفاده کنند، درآمد کسب کنند. ElevenLabs پیش‌تر نیز از طریق بازاری اختصاصی به برخی صداهای شناخته‌شده، از جمله صدای Michael Caine، دسترسی داده است. این سازوکار نشان می‌دهد استفاده تجاری از صدای شبیه‌سازی‌شده به توافق و مجوز صاحب صدا گره خورده است.

قیمت، دسترسی و محل نگه‌داری داده‌ها

هر دو مدل از طریق ElevenAgents، ElevenCreative و رابط برنامه‌نویسی کاربردی (API) در دسترس‌اند. قیمت استاندارد API برای هر یک میلیون نویسه در v4 برابر با ۸۰ دلار و در Turbo برابر با ۴۰ دلار اعلام شده است. این نرخ‌ها تا ۱۲ اکتبر به‌طور موقت به‌ترتیب به ۲۲ و ۱۱ دلار کاهش می‌یابند. همچنین به گفته شرکت، کاربرانی که اشتراک ماهانه Creator با قیمت ۲۲ دلار یا بالاتر دارند، می‌توانند به مدت دو هفته از v4 در ElevenCreative بدون پرداخت هزینه جداگانه استفاده کنند؛ البته میزان استفاده به دو برابر اعتبار ماهانه آن‌ها محدود است.

برای مقایسه قیمت، Artificial Analysis هزینه Sonic 3.6 را ۴۹ دلار و Gemini 3.8 Flash TTS را ۱۶٫۴۹ دلار به‌ازای هر یک میلیون نویسه فهرست کرده است. این ارقام به تعرفه‌های اعلام‌شده مربوط‌اند و مقایسه هزینه واقعی برای هر پروژه به حجم مصرف و شرایط استفاده بستگی دارد.

محل پردازش و نگه‌داری داده‌ها نیز برای برخی مشتریان مهم است. طبق مستندات ElevenLabs، داده‌های مشتریان به‌طور پیش‌فرض در ایالات متحده نگه‌داری می‌شوند. مشتریان سازمانی می‌توانند از محیط‌های جداشده در اتحادیه اروپا، هند یا سنگاپور استفاده کنند، اما بخشی از پردازش ممکن است بیرون از منطقه انتخاب‌شده انجام شود. این شرکت می‌گوید مشتریان اتحادیه اروپا با انتخاب حالتی که داده را نگه نمی‌دارد، می‌توانند پردازش API را در همان منطقه محدود کنند.

عرضه Eleven v4 در ادامه فعالیت‌های اخیر این شرکت در حوزه تولید رسانه است. ElevenLabs در میانه سپتامبر نیز مدل Music 2.5 را معرفی کرده بود که برای ساخت آهنگ‌هایی متراکم‌تر و طبیعی‌تر طراحی شده است. عرضه مدل‌های صوتی و موسیقایی در کنار هم نشان می‌دهد شرکت محصولات خود را برای بخش‌های مختلف تولید محتوای صوتی گسترش می‌دهد؛ اما اطلاعات منتشرشده درباره v4 عمدتاً بر دقت اجرای صدا، پایداری خروجی و سرعت نسخه Turbo تمرکز دارد.

این خبر برای چه کسانی اهمیت دارد

Eleven v4 برای تولیدکنندگان کتاب صوتی، دوبله، محتوای چندزبانه و پروژه‌هایی که به صدای ثابت در متن‌های طولانی نیاز دارند، خبر مهمی است. نسخه Turbo نیز برای سازندگان عامل‌های صوتی، سامانه‌های پشتیبانی مشتری و توسعه‌دهندگان شخصیت‌های تعاملی اهمیت دارد؛ زیرا زمان آغاز پاسخ صوتی یکی از ویژگی‌های کاربردی چنین محصولاتی است. در سوی دیگر، صداپیشگان و شرکت‌های رسانه‌ای باید به شرایط مجوزدهی و درآمدزایی از شبیه‌سازی صدا توجه کنند. برای سازمان‌ها نیز محل پردازش و نگه‌داری داده، در کنار قیمت و کیفیت خروجی، می‌تواند در انتخاب سرویس نقش داشته باشد.