ElevenLabs lance SFX v3 : un modèle qui suit mieux les prompts composés de plusieurs sons

Si vous avez déjà développé un jeu, une application de méditation ou un éditeur vidéo avec sonorisation automatique, vous connaissez ce désagrément : vous demandez au générateur une scène en trois actions, et vous obtenez une bouillie où tout sonne en même temps, ou dont la moitié des événements a disparu. ElevenLabs a lancé SFX v3, et la principale promesse de cette mise à jour concerne précisément ce point : le modèle suit plus fidèlement les prompts contenant plusieurs instructions.

Ce qui change

SFX v3 est un nouveau modèle de l'API Sound Effects. Selon l'entreprise, il tient mieux que la v2 une séquence de plusieurs événements, traite plus proprement les voix et la musique, et sature moins sur les sons à haute fréquence : gongs, clochettes, sifflet de bouilloire. ElevenLabs qualifie elle-même cette version d'incrémentale : inutile donc d'attendre une révolution. C'est une amélioration soignée, pas une nouvelle génération.

Pour un développeur, la migration est triviale. Dans l'appel text_to_sound_effects.convert, il suffit de remplacer model_id par eleven_text_to_sound_v3, et c'est tout. L'endpoint reste le même : POST /v1/sound-generation. Exemple tiré de l'annonce : « La foule dans un stade encourage son équipe, on entend un coup de pied dans le ballon, la foule hue ». Trois événements dans une seule requête : c'est précisément le type de scénario que la v3 est censée mieux gérer.

Les paramètres à connaître

Le modèle choisit lui-même la durée de l'effet d'après le texte du prompt. Si vous avez besoin d'un timing précis, définissez duration_seconds. Si le résultat s'éloigne de la demande, augmentez prompt_influence au-delà de la valeur par défaut de 0,3 : plus elle est élevée, plus le modèle suit strictement le texte et plus l'écart entre les générations diminue. Le format de sortie est défini par le paramètre output_format, par exemple mp3_44100_128 ou pcm_48000.

Une limite facile à oublier : le bouclage ne fonctionne actuellement que dans eleven_text_to_sound_v2. Si vous créez des boucles d'ambiance, comme le bruit de la pluie ou le bourdonnement d'une station spatiale, restez sur la v2 avec loop: true. Cela signifie qu'un passage complet à la v3 est impossible pour certains projets, et qu'il faudra conserver les deux modèles.

Comment rédiger les prompts

L'ordre dans le texte est important. Énumérez les événements dans la séquence où ils doivent retentir : « Des pas sur du gravier, puis une porte métallique qui s'ouvre ». Pour un son isolé, une requête courte et précise est préférable.

La formulation influe aussi sur le résultat. L'un des testeurs d'ElevenLabs a constaté que « un couple se dispute en français » (arguing) fonctionne nettement mieux que « un couple se bat en français » (fighting). La conclusion est pratique : essayez plusieurs formulations synonymes d'un même événement avant de figer le prompt dans le code.

Que faire en pratique

Comme les deux modèles cohabitent sur le même endpoint, un test A/B coûte peu. Prenez une dizaine de prompts parmi les plus fréquents en production, passez-les dans la v2 et la v3, puis comparez à l'oreille. Vérifiez en particulier les scènes complexes à plusieurs composantes et les sons aux hautes fréquences marquées : c'est là que le gain est attendu. Pour les boucles, gardez la v2.

Dans l'ensemble, c'est une mise à jour utile pour ceux qui ont déjà intégré ElevenLabs SFX. Les nouveautés sont peu nombreuses, mais changer une seule ligne de configuration mérite quelques minutes de test. Vous pouvez écouter les résultats sans code dans l'onglet Sound Effects, dans Flows et dans Studio au sein d'ElevenCreative.