در ۳ ژوئن ۲۰۲۵ (۱۳ خرداد ۱۴۰۴) شرکت ElevenLabs از مدل تازهٔ تبدیل متن به گفتار خود با نام Eleven v3 رونمایی کرد. این شرکت آن را مدلی «بیان‌گر» توصیف میکند؛ یعنی مدلی که فقط متن را نمی‌خواند، بلکه با احساس، مکث و حالت صدا اجرا میکند. اگر تا امروز صدای ماشینی را با جملهٔ «یکنواخت و بی‌روح» می‌شناختید، این خبر به همین مشکل می‌پردازد.
Eleven v3 چه ویژگی‌هایی دارد؟#
بر اساس مطلب رسمی ElevenLabs، چند ویژگی اصلی در این مدل برجسته شده است:
- پشتیبانی از بیش از ۷۰ زبان. شرکت اعلام کرده مدل در بیش از هفتاد زبان کار میکند.
- برچسبهای صوتی داخل متن. با نوشتن عباراتی مثل [excited]، [whispers] یا [sighs] در میان متن می‌توان لحن، احساس و واکنش‌هایی مانند آه کشیدن را کنترل کرد. خود شرکت یادآوری میکند که پشتیبانی از برچسب‌ها بسته به صدا و موقعیت فرق میکند.
- گفتگوی چندنفره. یک endpoint تازه به نام Text to Dialogue امکان می‌دهد چند گوینده را با آرایه‌ای از نوبت‌های گفتگو تعریف کنید.
- درک بهتر متن. ElevenLabs از بهبود تکیه، ریتم و بیان‌گری خبر می‌دهد.
برچسبهای صوتی؛ کارگردانی با متن#
مهم‌ترین تفاوت v3 با نسل‌های قبل شاید همین برچسب‌ها باشد. به جای اینکه فقط امیدوار باشید مدل لحن را درست حدس بزند، می‌توانید مثل یک کارگردان در دل متن راهنمایی بگذارید. برای تولید پادکست، کتاب صوتی، آموزش و تبلیغ، این یعنی کنترل بیشتر بدون نیاز به ضبط دوباره.
