ElevenLabs تطلق SFX v3: نموذج أدق في اتباع الأوامر التي تضم عدة أصوات

إذا سبق أن طوّرتم لعبة أو تطبيقاً للتأمل أو محرر فيديو مع تعليق صوتي تلقائي، فأنتم تعرفون هذه المشكلة: تطلبون من مولّد الأصوات مشهداً من ثلاثة أفعال، فتحصلون على خليط يُسمع فيه كل شيء في وقت واحد، أو تضيع نصف الأحداث. أطلقت ElevenLabs نموذج SFX v3، والوعد الرئيسي لهذا التحديث يخص هذه النقطة تحديداً: النموذج يتبع بدقة أكبر الأوامر التي تتضمن عدة تعليمات.

ما الذي تغيّر

SFX v3 نموذج جديد في Sound Effects API. وبحسب الشركة، فهو يحافظ على تسلسل عدة أحداث أفضل من v2، ويعالج الأصوات البشرية والموسيقى بدقة أكبر، كما يقلّ فيه القصّ عند الأصوات عالية التردد: الغونغ والأجراس الصغيرة وصفارة غلاية الشاي. وتصف ElevenLabs نفسها الإصدار بأنه تدريجي، لذا لا ينبغي توقع ثورة. إنه ترقية متقنة وليس جيلاً جديداً.

بالنسبة للمطوّر، الانتقال بسيط للغاية. في الاستدعاء text_to_sound_effects.convert غيّروا model_id إلى eleven_text_to_sound_v3 وهذا كل شيء. نقطة النهاية هي نفسها: POST /v1/sound-generation. مثال من الإعلان: «جمهور في الملعب يشجّع، ويُسمع ارتطام الكرة، ثم يطلق الجمهور صيحات الاستهجان». ثلاثة أحداث في طلب واحد، وهذا بالضبط نوع السيناريوهات التي يُفترض أن يتعامل معها v3 بشكل أفضل.

المعاملات التي يجدر معرفتها

يختار النموذج مدة المؤثر بنفسه استناداً إلى نص الأمر. وإذا احتجتم إلى توقيت دقيق، فحدّدوا duration_seconds. وإذا ابتعدت النتيجة عن المطلوب، فارفعوا prompt_influence فوق القيمة الافتراضية 0.3: كلما زادت قيمته، التزم النموذج بالنص أكثر وقلّ التباين بين النتائج المولّدة. أما صيغة الإخراج فيحددها المعامل output_format، مثل mp3_44100_128 أو pcm_48000.

ثمة قيد يسهل نسيانه: التكرار الحلقي يعمل حالياً فقط في eleven_text_to_sound_v2. فإذا كنتم تصنعون حلقات خلفية، مثل صوت المطر أو أزيز محطة فضائية، فابقوا على v2 مع loop: true. وهذا يعني أن الانتقال الكامل إلى v3 غير ممكن لبعض المشاريع، وسيتعين الإبقاء على النموذجين معاً.

كيف تكتبون الأوامر النصية

الترتيب في النص مهم. اذكروا الأحداث بالتسلسل الذي يجب أن تُسمع به: «خطوات على الحصى، ثم يُفتح باب معدني». وبالنسبة للصوت المنفرد، يفضَّل طلب قصير ومحدد.

كما أن الصياغة تؤثر في النتيجة. فقد لاحظ أحد مختبري ElevenLabs أن «زوجان يتجادلان بالفرنسية» (arguing) يعمل بشكل أفضل بكثير من «زوجان يتشاجران بالفرنسية» (fighting). والخلاصة عملية: جرّبوا عدة صياغات مرادفة للحدث نفسه قبل تثبيت الأمر النصي في الشيفرة.

ماذا تفعلون عملياً

بما أن النموذجين يعملان على نقطة النهاية نفسها، فإن اختبار A/B زهيد الكلفة. خذوا نحو عشرة من أكثر الأوامر استخداماً في بيئة الإنتاج، ومرّروها عبر v2 وv3 وقارنوا بالسمع. وتحققوا خصوصاً من المشاهد المركّبة المعقدة والأصوات ذات الترددات العالية الحادة: هناك يُتوقع الكسب. أما الحلقات المتكررة فأبقوها على v2.

إجمالاً، هذا تحديث عملي لمن دمج ElevenLabs SFX بالفعل. المزايا الجديدة قليلة، لكن تغيير سطر واحد في الإعدادات يستحق بضع دقائق من الاختبار. ويمكنكم الاستماع إلى النتائج دون شيفرة في تبويب Sound Effects، وفي Flows وفي Studio داخل ElevenCreative.