Озвучка текста в ElevenLabs
Вы вставляете текст, выбираете голос и модель — на выходе звуковой файл. Моделей четыре, и различаются они не качеством в общем смысле, а тем, чем именно жертвуют: выразительностью, скоростью или ценой символа.
Четыре модели и чем они расходятся
| Модель | Сильная сторона | Языки | Задержка |
|---|---|---|---|
| Eleven v3 | Самая выразительная, понимает аудио-теги прямо в тексте | — | — |
| Multilingual v2 | Ровная и предсказуемая речь на длинных кусках | 29 | — |
| Flash v2.5 | Отвечает почти мгновенно, для живого разговора | 32 | около 75 мс |
| Turbo v2.5 | Вдвое дешевле за символ при малой задержке | 32 | 250–300 мс |
Прочерк означает, что ElevenLabs не публикует это число для конкретной модели. Общее число языков на офсайте расходится: 74 в таблице тарифов, «более 70» на главной.
Лимиты одного запроса
За один раз принимается до 10 000 символов — это примерно страниц пять машинописного текста. Длинную книгу придётся резать на куски, и здесь пригодится Studio: в нём проект собирается из частей и озвучивается целиком, с сохранением одного голоса на весь материал.
Параллельных обращений тоже ограниченное число: два на бесплатном тарифе, три на Starter, пять на Creator, десять на Pro, пятнадцать на Scale и двадцать пять на Business. Для потоковой озвучки в реальном времени это и есть определяющая цифра.
Расход считается просто: 1 000 кредитов за 1 000 символов. Тысяча знаков текста — тысяча кредитов, независимо от того, взяли вы Turbo или Multilingual.
Качество звука по тарифам
Битрейт и формат выгрузки растут вместе с тарифом. На бесплатном и Starter это 128 кбит/с при 44,1 кГц. С Creator добавляется 192 кбит/с. Несжатый звук — WAV и PCM 44,1 кГц через API — открывается только с Pro.
Через API формат на бесплатном тарифе ещё скромнее: 16 кГц PCM и uLaw. На Starter он поднимается до 22,05 кГц. Если запись пойдёт в монтаж и будет обрабатываться дальше, разница между 16 кГц и несжатым 44,1 кГц слышна сразу.
Studio: сборка длинного материала
Studio — это редактор, в котором собирают целую работу, а не отдельную реплику: закадровый голос, музыка, звуковые эффекты и чистка звука в одном месте. Проектов на бесплатном тарифе пять, на Starter — двадцать.
Именно там удобно делать аудиокниги и длинные ролики: голос держится одинаковым от главы к главе, а куски не приходится склеивать вручную в стороннем редакторе.
Вопросы об ElevenLabs
До 10 000 символов в одном запросе — примерно пять страниц текста. Длинный материал собирают проектом в Studio, чтобы голос не менялся между частями.
Eleven v3 — самая выразительная, понимает аудио-теги прямо в тексте. Multilingual v2 даёт ровную речь на длинных кусках. Flash v2.5 отвечает примерно за 75 мс и подходит для живого разговора. Turbo v2.5 вдвое дешевле за символ.
На бесплатном тарифе и Starter — 128 кбит/с при 44,1 кГц, с Creator добавляется 192 кбит/с. Несжатый WAV и PCM 44,1 кГц через API доступны с тарифа Pro.