ثبت بازخورد

لطفا میزان رضایت خود را از دیجیاتو انتخاب کنید.

واقعا راضی‌ام
اصلا راضی نیستم
چطور میتوانیم تجربه بهتری برای شما بسازیم؟

نظر شما با موفقیت ثبت شد.

از اینکه ما را در توسعه بهتر و هدفمند‌تر دیجیاتو همراهی می‌کنید
از شما سپاسگزاریم.

مدل هوش مصنوعی Eleven v3
هوش مصنوعی

هوش مصنوعی Eleven v3 معرفی شد؛ تولید طبیعی‌ترین صدا برای انتقال احساسات [تماشا کنید]

مدل Eleven v3 که از فارسی هم پشتیبانی می‌کند، امکان بیان طبیعی احساسات مانند خنده و نجوا را در گفتار مصنوعی فراهم می‌سازد.

مهدی فروغی
نوشته شده توسط مهدی فروغی | ۱۷ خرداد ۱۴۰۴ | ۱۸:۳۰

شرکت Elevenlabs جدیدترین مدل تبدیل متن به گفتار خود را با نام Eleven v3 (Alpha) معرفی کرده است که تمرکز اصلی آن بر تولید صداهای مصنوعی با بیان احساسات طبیعی‌تر و واقعی‌تر است. این مدل از فارسی هم پشتیبانی می‌کند.

این مدل توانایی بازسازی طبیعی‌تر احساسات متنوعی مانند نجوا، خنده، آه‌کشیدن و واکنش‌های هیجانی را نسبت به نسخه‌های قبلی دارد. هدف اصلی Elevenlabs در این نسخه برطرف‌کردن مشکل انتقال احساسات در صداهای مصنوعی بوده است؛ زیرا پیشتر فقط کیفیت صدا اهمیت داشت اما اکنون با بازطراحی کامل، این مدل می‌تواند صداهایی با احساسات واقعی‌تر و واکنش‌های طبیعی‌تر تولید کند.

قابلیت‌های مدل هوش مصنوعی Eleven v3

یکی از ویژگی‌های برجسته Eleven v3 پشتیبانی از بیش از 70 زبان ازجمله فارسی همچنین امکان اجرای طبیعی و روان گفتگوهای چندنفره است. کاربران می‌توانند از طریق API جدید متن‌های ساختاریافته را که شامل نوبت هر گوینده می‌شود، به مدل ارسال کنند و مدل خودکار مدیریت تغییر نوبت گوینده، تحولات احساسی و حتی قطع کلام‌ها را بر عهده می‌گیرد. این قابلیت برای تولید دیالوگ‌های چندصدایی بسیار کاربردی است و امکان تولید گفتگوهای پیچیده و طبیعی را فراهم می‌کند.

کنترل شیوه بیان صداها از طریق برچسب‌های صوتی درون متن نیز از دیگر امکانات مهم Eleven v3 است. این برچسب‌ها که در قالب کروشه‌های کوچک و حروف کوچک نوشته می‌شوند، مانند [sighs] (آه کشیدن)، [excited] (هیجان‌زده) یا [whispers] (نجواکردن)، به کاربران اجازه می‌دهند احساسات مختلف و لحن گفتار را مستقیم تنظیم کنند. حتی می‌توان چندین برچسب را کنار هم قرار داد تا بیان دقیق‌تر و ظریف‌تری ایجاد شود؛ مثلاً We did it! [happily][shouts][laughs] («ما موفق شدیم! [شادی][فریاد][خنده]»).

به گفته شرکت Elevenlabs، این مدل بیشتر برای کاربردهای حرفه‌ای مانند تولید فیلم، کتاب صوتی و رسانه‌های دیجیتال طراحی شده است و نسخه نهایی API عمومی آن به‌زودی عرضه خواهد شد. هم‌اکنون Eleven v3 روی وب‌سایت شرکت در دسترس است و تا پایان ژوئن (خرداد) 80 درصد تخفیف برای استفاده از اپلیکیشن ارائه می‌شود. بااین‌حال، برای کاربردهای بلادرنگ یا گفتگوهای زنده، مدل‌های v2.5 Turbo یا Flash همچنان توصیه می‌شوند؛ زیرا نسخه فعلی v3 برای این موارد بهینه نشده و نسخه بلادرنگ آن در دست توسعه است.

همچنین کلون‌های صوتی حرفه‌ای (Professional Voice Clones) فعلاً با این نسخه سازگاری کامل ندارند و نسبت به نسخه‌های قبلی کیفیت کمتری ارائه می‌دهند؛ بنابراین برای پروژه‌هایی که به ویژگی‌های بیانی جدید نیاز دارند، استفاده از کلون‌های صوتی آنی (Instant Voice Clones) یا صداهای ساخته‌شده پیشنهاد می‌شود.

مهدی فروغی

فارغ‌التحصیل شیمی دانشگاه تهران و ارشد زبان انگلیسی، اما عشق اصلیم سینماست؛ دنیایی که همیشه در آن غرق می‌شوم.

دیدگاه‌ها و نظرات خود را بنویسید
مطالب پیشنهادی