Emocionet dhe prozodia e bëjnë të folurën e gjeneruar nga teksti (TTS) më të natyrshme. Ndryshimet në lartësinë e tonit, ritmin, volumin dhe timbrin përcjellin kuptim përtej fjalëve. Mungesa e tyre mund ta bëjë zërin monoton dhe të ndryshojë mënyrën si perceptohet mesazhi, veçanërisht te asistentët virtualë, librat audio dhe lojërat interaktive.
Materiali përshkruan se si ElevenLabs përdor modele të të mësuarit të thellë për të gjeneruar këto nuanca, duke u mbështetur në tekstin hyrës, profilin e zërit dhe parametrat e stilit. Profili mund të jetë një zë i gatshëm ose i klonuar, ndërsa parametrat synojnë të drejtojnë emocionin, shpejtësinë dhe theksimin.
Sipas përshkrimit, modeli mëson lidhjen mes fonemave dhe veçorive akustike nga mijëra orë regjistrimesh. Etiketat emocionale ndikojnë te toni dhe ritmi: entuziazmi lidhet me ton më të lartë e të folur më të shpejtë, ndërsa qetësia me të kundërtën. Teksti përmend edhe mbështetjen për një nënbashkësi të SSML, për rregullime më të hollësishme.
Pjesa praktike prezanton një shembull në Python për përdorimin e API-së, me çelësin e autentikimit të marrë nga variabla ELEVENLABS_API_KEY dhe identifikuesin e zërit «Rachel». Shembulli synon dërgimin e tekstit dhe ruajtjen e audios në formatin WAV, por fragmenti i dhënë ndërpritet para ndërtimit të plotë të kërkesës.
Burimi: DEV Community (Web Dev Feed) — lexoni artikullin e plotë në anglisht.
