ElevenLabs anuncia o lançamento do SFX v3, o seu modelo mais recente de geração de efeitos sonoros, disponível na sua API Sound Effects. Segundo a empresa, segue melhor instruções múltiplas do que o SFX v2 e gere melhor vozes e música.
- O SFX v3 é o novo modelo de geração de efeitos sonoros da ElevenLabs, destinado a programadores.
- Basta alterar o parâmetro model_id para eleven_text_to_sound_v3 no endpoint POST /v1/sound-generation.
- O modelo segue melhor várias instruções, mas a repetição em loop continua disponível apenas no v2.
- Os dois modelos podem ser comparados enviando os mesmos pedidos para ambos.
Mudar para o novo modelo
Para utilizar o SFX v3, basta modificar o identificador do modelo, o parâmetro model_id, definindo-o como eleven_text_to_sound_v3 no ponto de acesso POST /v1/sound-generation. Um ponto de acesso (ou endpoint) designa o endereço para o qual uma aplicação envia os seus pedidos numa API, ou seja, uma interface de programação.
A duração não precisa de ser especificada: o modelo escolhe por si o comprimento do efeito com base na instrução, que é chamada de prompt. Se for necessário um ajuste preciso, o parâmetro duration_seconds permite definir a duração desejada.
Quando o resultado se afasta do pedido, o parâmetro prompt_influence pode ser aumentado para além do seu valor predefinido, fixado em 0,3. Valores mais elevados fazem com que a instrução seja seguida mais de perto e reduzem as variações entre duas gerações. O parâmetro de pedido output_format define, por sua vez, o codec e a frequência de amostragem do ficheiro, com formatos como mp3_44100_128 ou pcm_48000.
Por fim, a função de repetição (looping) só funciona por enquanto com o eleven_text_to_sound_v2. Um pedido que necessite de repetição deve, portanto, manter-se neste modelo, com o parâmetro loop: true.
Formular as suas instruções
O SFX v3 é apresentado como particularmente eficaz para efeitos sonoros em várias sequências. A ordem das instruções conta: é necessário enumerar os eventos pela ordem em que devem ocorrer, por exemplo « Footsteps on gravel, then a metallic door opens », ou seja, « Passos em gravilha, depois uma porta metálica abre ». Para um som único, uma instrução curta e concreta dá os melhores resultados.
A formulação também tem a sua importância. Segundo a ElevenLabs, um dos seus testadores verificou que « a couple arguing in French » (um casal a discutir em francês) dava resultados muito melhores do que « a couple fighting in French » (um casal a lutar em francês). A empresa recomenda testar várias formulações para o mesmo evento antes de fixar a sua escolha.
Comparar v2 e v3
O SFX v3 é descrito como uma atualização incremental. Seria menos propenso a saturar os sons agudos, como gongos, carrilhões ou assobios de chaleira, ou seja, a distorcê-los quando o sinal excede o nível máximo admissível. A equipa de engenharia da empresa considera ainda que a renderização é globalmente mais natural.
Como os dois modelos funcionam no mesmo ponto de acesso, é fácil comparar os seus resultados: basta enviar os seus pedidos mais frequentes tanto para o v2 como para o v3 antes de mudar de modelo. Os efeitos sonoros também são acessíveis sem código, no separador Sound Effects, bem como no Flows e no Studio, dentro do ElevenCreative.
