ElevenLabs v3

Comment ElevenLabs v3 lit un prompt

L’annonce de lancement d’ElevenLabs précise que v3 demande plus de travail de prompt que les modèles précédents, mais gère en échange les changements d’émotion et les réactions non verbales, comme les soupirs et les rires. Votre texte est lu mot à mot ; les indications de jeu se placent dans le texte, entre crochets, là où l’interprétation doit changer. Chaque requête accepte jusqu’à 5 000 caractères, soit environ cinq minutes d’audio.

Ordre du prompt :

[Émotion ou interprétation] Ligne de texte, ponctuée comme elle doit sonner.
[Réaction] Ligne courte… [nouvelle émotion] ligne suivante avec UN mot accentué.

Le guide d’ElevenLabs demande aussi un rythme de parole naturel, une vraie ponctuation et un contexte émotionnel clair. Une phrase déjà triste dans ses mots demande une balise plus légère qu’une phrase neutre que vous voulez faire sonner triste.

Balises audio

Le guide v3 d’ElevenLabs donne celles-ci comme points de départ fiables :

• Voix et émotion : [laughs], [laughs harder], [starts laughing], [wheezing], [whispers], [sighs], [exhales], [sarcastic], [curious], [excited], [crying], [snorts], [mischievously].
• Effets sonores : [gunshot], [applause], [clapping], [explosion], [swallows], [gulps].
• Expérimentales : [strong X accent], [sings], [woo]. Moins régulières d’une voix à l’autre ; testez-les avant de compter dessus.

Vous pouvez cumuler les balises : l’annonce de lancement montre [happily][shouts] We did it! [laughs]. Écrivez les balises en minuscules et en anglais, comme dans tous les exemples d’ElevenLabs, même si le script est en français. C’est pourquoi les prompts de cette page traduisent le texte et laissent les balises en anglais.

Ponctuation et emphase

v3 ne prend pas en charge les balises de pause SSML. Les pauses viennent de la ponctuation et de la structure :

• Les points de suspension ajoutent une pause et du poids : « Je pensais… laissez tomber. »
• Les majuscules accentuent un mot : « C’était une TRÈS longue journée. »
• Un tiret coupe la phrase : « Maintenant je sais chuchoter— [whispers] comme ça. »
• Les sauts de ligne entre les phrases laissent respirer la lecture.

Choisir la voix

ElevenLabs affirme que la voix est le paramètre le plus important de v3. Les balises fonctionnent dans la palette que la voix possède déjà : une voix qui chuchote ne criera pas à cause d’un [shout], et une voix sérieuse peut ne pas réagir à [giggles]. Si une balise échoue sans cesse, changez de voix avant de réécrire la phrase. Pour un enregistrement de référence, le guide indique qu’un échantillon varié sur le plan émotionnel donne plus de matière à v3, tandis qu’un échantillon neutre reste plus stable d’une langue à l’autre.

Conversion de voix

Dans Endless, v3 accepte aussi un enregistrement à la place d’un script. Joignez-le dans Speech : les mêmes mots reviennent avec la voix prédéfinie ou de référence que vous avez choisie, en gardant le rythme et l’émotion d’origine. ElevenLabs documente cette fonction sous le nom de voice changer, qui s’appuie sur le jeu de l’enregistrement : chuchotements, rires, pleurs et rythme sont conservés, de même que l’accent. Si vous enregistrez avec un accent marseillais et choisissez une voix britannique, vous obtenez cette voix avec l’accent marseillais.

Utilisez-la quand une lecture pilotée par des balises n’arrive pas à obtenir le timing voulu, par exemple pour une réplique qui doit coller à un plan de montage, ou quand vous voulez refaire la voix d’une prise de test. Le guide d’ElevenLabs donne trois conseils pour l’enregistrement :

• Jouez-le. Criez, riez ou pleurez dans l’enregistrement : le résultat suit ce que vous avez fait.
• Réglez bien le gain. Un enregistrement trop faible est plus difficile à lire, et un enregistrement trop fort sature.
• Moins de 5 minutes. Découpez les contenus plus longs en sections et convertissez-les une par une.

Une recette simple : enregistrez la réplique avec votre téléphone dans un endroit calme, en la lisant comme le personnage la dirait. Joignez-la dans Speech, choisissez la voix, réglez la stabilité sur 0,5 et activez Supprimer le bruit de fond si la pièce n’était pas silencieuse. Aucun prompt texte n’est nécessaire.

Réglages importants

• Voix : vingt voix prédéfinies, Aria par défaut.
• Référence vocale : un enregistrement de la voix à utiliser, valable pour cette génération uniquement. Environ une minute de parole propre donne les meilleurs résultats.
• Speech (l’enregistrement à convertir) : apparaît dès qu’une voix prédéfinie ou de référence est choisie. Un enregistrement de 5 minutes maximum à redire avec cette voix, en conservant les mots, le rythme et l’émotion.
• Supprimer le bruit de fond : apparaît dès qu’un enregistrement est joint dans Speech. Activez-le si l’enregistrement contient du bruit de pièce, de la circulation ou un bourdonnement.
• Stabilité : 0, 0,5 ou 1. Le guide v3 d’ElevenLabs les nommait Creative, Natural et Robust. Creative est le plus émotif et expressif, et le guide prévient qu’il est sujet aux hallucinations. Natural reste au plus près de la voix d’origine. Robust est très stable et proche de v2, mais réagit moins aux balises. Utilisez 0 ou 0,5 quand le script repose sur des balises, et 1 pour une lecture simple que vous voulez reproductible.

Problèmes courants

• La balise n’a aucun effet. La voix ne sait pas l’interpréter, ou la stabilité est à 1. Baissez la stabilité ou choisissez une voix dont le débit naturel se rapproche de ce que vous cherchez.
• Des bruits ou des mots en trop apparaissent. La stabilité à 0 est le réglage qu’ElevenLabs signale comme sujet aux hallucinations. Passez à 0,5 et relancez la génération.
• Une phrase courte sort plate ou étrange. Quelques mots donnent peu de contexte émotionnel au modèle. Ajoutez une phrase avant ou après, ou écrivez l’émotion dans les mots eux-mêmes.
• La pause est ignorée. Utilisez des points de suspension, un tiret ou un saut de ligne.
• La voix convertie a le mauvais accent. La conversion conserve l’accent de l’enregistrement. Enregistrez avec l’accent que vous voulez entendre.
• L’accent se perd. Placez [strong X accent] au début de chaque paragraphe concerné, et testez d’abord la voix.