ElevenLabs lanza SFX v3: el modelo sigue con mayor precisión prompts con varios sonidos

Si has creado un videojuego, una aplicación de meditación o un editor de video con sonorización automática, ya conoces el problema: le pides al generador de sonido una escena con tres acciones y recibes una mezcla confusa en la que todo suena a la vez o desaparece la mitad de los eventos. ElevenLabs ha lanzado SFX v3, y la principal promesa de la actualización aborda precisamente este problema: el modelo sigue con mayor precisión los prompts que contienen varias instrucciones.

Que ha cambiado

SFX v3 es un nuevo modelo de la Sound Effects API. Según la empresa, conserva mejor que v2 las secuencias de varios eventos, procesa con más precisión las voces y la música y recorta con menos frecuencia los sonidos de alta frecuencia, como gongs, campanillas y el silbido de una tetera. La propia ElevenLabs califica el lanzamiento de incremental, así que no cabe esperar una revolución. Es una actualización cuidadosa, no una nueva generación.

Para los desarrolladores, la migración es trivial. En la llamada text_to_sound_effects.convert, hay que cambiar el model_id a eleven_text_to_sound_v3, y nada más. El endpoint sigue siendo el mismo: POST /v1/sound-generation. El anuncio ofrece este ejemplo: «El público de un estadio anima, se oye el golpe de un balón y el público abuchea». Son tres eventos en una sola solicitud, precisamente el tipo de escenario que v3 debería resolver mejor.

Parametros que conviene conocer

El modelo elige automáticamente la duración del efecto a partir del texto del prompt. Si necesitas una duración exacta, define duration_seconds. Si el resultado se aleja de la solicitud, eleva prompt_influence por encima de su valor predeterminado de 0,3: cuanto mayor sea, más estrictamente seguirá el modelo el texto y menor será la variación entre generaciones. El parámetro output_format establece el formato de salida, por ejemplo mp3_44100_128 o pcm_48000.

Hay una limitación fácil de olvidar: la generación de bucles actualmente solo funciona en eleven_text_to_sound_v2. Si produces bucles de fondo, como ruido de lluvia o el zumbido de una estación espacial, sigue usando v2 con loop: true. Esto significa que algunos proyectos no podrán migrar por completo a v3 y tendrán que mantener ambos modelos.

Como escribir prompts

El orden del texto importa. Enumera los eventos en la secuencia en que deben sonar: «Pasos sobre grava y, después, se abre una puerta metálica». Para un único sonido, funciona mejor una solicitud breve y concreta.

La formulación también influye en el resultado. Uno de los testers de ElevenLabs observó que «una pareja discute en francés» (arguing) funciona notablemente mejor que «una pareja pelea en francés» (fighting). La conclusión práctica es probar varias formulaciones sinónimas del mismo evento antes de fijar el prompt en el código.

Que hacer en la practica

Como ambos modelos utilizan el mismo endpoint, una prueba A/B resulta económica. Toma alrededor de diez de los prompts más frecuentes de producción, procésalos con v2 y v3 y compáralos de oído. Comprueba especialmente las escenas complejas con varios componentes y los sonidos con frecuencias altas y abruptas: es ahí donde se espera la mejora. Mantén v2 para los bucles.

En conjunto, es una actualización práctica para quienes ya han integrado ElevenLabs SFX. Hay pocas funciones nuevas, pero cambiar una línea de configuración merece unos minutos de pruebas. Los resultados pueden escucharse sin código en la pestaña Sound Effects, en Flows y en Studio dentro de ElevenCreative.