ElevenLabs annonce la sortie de SFX v3, son modèle de génération d’effets sonores le plus récent, disponible dans son API Sound Effects. Selon l’entreprise, il suit mieux les consignes multiples que SFX v2 et gère mieux les voix et la musique.
- ElevenLabs lance SFX v3, son modèle d’effets sonores le plus récent, disponible dans son API.
- Il suit mieux les consignes multiples et gère mieux les voix et la musique que v2.
- Il suffit de fixer model_id sur eleven_text_to_sound_v3 pour l’utiliser.
- La fonction de bouclage reste limitée à v2, avec loop : true.
Passer au nouveau modèle
Pour utiliser SFX v3, il suffit de modifier l’identifiant du modèle, le paramètre model_id, en le fixant à eleven_text_to_sound_v3 sur le point d’accès POST /v1/sound-generation. Un point d’accès (ou endpoint) désigne l’adresse à laquelle une application envoie ses requêtes dans une API, c’est-à-dire une interface de programmation.
La durée n’a pas besoin d’être précisée : le modèle choisit lui-même la longueur de l’effet en fonction de la consigne, qui est appelée prompt. Si un calage précis est nécessaire, le paramètre duration_seconds permet de fixer la durée souhaitée.
Lorsque le résultat s’éloigne de la demande, le paramètre prompt_influence peut être relevé au-delà de sa valeur par défaut, fixée à 0,3. Des valeurs plus élevées font suivre la consigne de plus près et réduisent les écarts entre deux générations. Le paramètre de requête output_format définit quant à lui le codec et la fréquence d’échantillonnage du fichier, avec des formats tels que mp3_44100_128 ou pcm_48000.
Enfin, la fonction de bouclage ne fonctionne pour le moment qu’avec eleven_text_to_sound_v2. Une requête nécessitant une boucle doit donc rester sur ce modèle, avec le paramètre loop: true.
Formuler ses consignes
SFX v3 est présenté comme particulièrement performant pour les effets sonores en plusieurs séquences. L’ordre des consignes compte : il faut énumérer les événements dans l’ordre où ils doivent se produire, par exemple « Footsteps on gravel, then a metallic door opens », soit « Pas sur du gravier, puis une porte métallique s’ouvre ». Pour un son unique, une consigne courte et concrète donne les meilleurs résultats.
La formulation a également son importance. Selon ElevenLabs, l’un de ses testeurs a constaté que « a couple arguing in French » (un couple qui se dispute en français) donnait de bien meilleurs résultats que « a couple fighting in French » (un couple qui se bat en français). L’entreprise recommande de tester plusieurs tournures pour un même événement avant de figer son choix.
Comparer v2 et v3
SFX v3 est décrit comme une mise à jour incrémentale. Il serait moins susceptible d’écrêter les sons aigus, comme les gongs, les carillons ou les sifflets de bouilloire, c’est-à-dire de les déformer lorsque le signal dépasse le niveau maximal admissible. L’équipe d’ingénierie de l’entreprise juge par ailleurs que le rendu est globalement plus naturel.
Les deux modèles fonctionnant sur le même point d’accès, il est facile de comparer leurs résultats : il suffit d’envoyer ses requêtes les plus fréquentes à la fois à v2 et à v3 avant de changer de modèle. Les effets sonores sont également accessibles sans code, dans l’onglet Sound Effects, ainsi que dans Flows et Studio, au sein d’ElevenCreative.
