# Atualização da ElevenLabs: visão geral das novas ferramentas e gerenciamento de voz > Guia completo sobre geração de fala na ElevenLabs: visão geral dos modelos (v3, Multilingual v2, Flash, Turbo), tags de áudio para entonação, fonemas IPA/Arpabet, dicionários PLS e regras de normalização de texto. As atualizações mais recentes da plataforma ElevenLabs expandiram drasticamente as capacidades da inteligência artificial na síntese de fala humana. Os desenvolvedores agora têm acesso a uma linha diferenciada de modelos: desde a ultra-realista Eleven v3, com suporte a transições emocionais sutis, até os ultrarrápidos Flash e Turbo para cenários de streaming em tempo real. Neste guia prático, analisamos todas as principais ferramentas e metodologias de trabalho com voz: seleção de arquitetura, gerenciamento de tags de áudio emocionais, ajuste fino do ritmo via SSML, manipulação de dicionários fonéticos internacionais (PLS) e a obrigatória normalização de texto antes do envio à API. --- ## 1. Visão geral dos modelos da linha ElevenLabs O ecossistema moderno da ElevenLabs oferece quatro modelos principais de síntese de fala, otimizados para diferentes requisitos de engenharia. ### 1.1. Características arquitetônicas e propósito dos modelos - **Eleven v3 (alpha):** Modelo carro-chefe com a mais alta qualidade e naturalidade de fala. Sua principal vantagem é o suporte nativo a tags sonoras para expressar emoções (alegria, tristeza, sussurro, grito, suspiro). É melhor otimizado para conteúdo em inglês e requer prompts mais longos e contextualmente ricos. - **Multilingual v2:** O "padrão ouro" para produtos globais. Suporta mais de 30 idiomas (incluindo ucraniano com alta precisão de sotaques e diacríticos). Garante pronúncia estável de frases complexas, embora tenha um alcance menos dramático de modulações emocionais do que a v3. - **Flash v2.5:** Modelo de alta velocidade com baixa latência (~75 ms) e limite de até 5.000 caracteres por requisição. Oferece o equilíbrio ótimo entre qualidade sonora e velocidade para assistentes interativos. - **Turbo v2.5:** Modelo extremamente rápido para cenários onde a latência é um fator crítico (bots de voz telefônicos, tradução simultânea de streams). Sacrifica microintonações em favor de resposta instantânea. ### 1.2. Tabela comparativa resumida de características | Modelo | Qualidade e Expressividade | Velocidade de Geração | Suporte a Idiomas | Limite de Caracteres | Aplicação Ideal | | :--- | :--- | :--- | :--- | :--- | :--- | | **Eleven v3 (alpha)** | Máxima, emocionalidade viva | Moderada | Inglês (outros experimentalmente) | 15.000 | Podcasts, audiolivros, dublagem cinematográfica, diálogos narrativos | | **Multilingual v2** | Alta, estável | Média | 30+ idiomas (incl. ucraniano) | 15.000 | Localização multilíngue, vídeos corporativos, assistentes | | **Flash v2.5** | Boa (balanceada) | Muito alta | Inglês, parcialmente outros | 5.000 | Chatbots, streaming, NPCs de jogos, tradução ao vivo | | **Turbo v2.5** | Básica utilitária | Máxima (~50 ms) | Conjunto básico de idiomas | 5.000 | Sistemas IVR, notificações de emergência, bots de alta carga | --- ## 2. Critérios de seleção de modelo por cenário A escolha do modelo é determinada pelo equilíbrio entre latência admissível, custo de geração e requisitos de emotividade. ### 2.1. Narração criativa vs. Streaming em tempo real :::tabs === Narração Criativa (v3) Para audiolivros artísticos, dublagem de trailers ou publicidade, escolha a **Eleven v3**. Ela é capaz de gerar pausas dramáticas, respirações ofegantes, risadas e mudanças de humor dentro de um único parágrafo, criando a ilusão completa de um ator vivo. === Multilinguismo (Multilingual v2) Se seu projeto visa uma audiência internacional ou textos em ucraniano, a escolha indiscutível é a **Multilingual v2**. Ela não sofre de falhas fonéticas ao alternar entre alfabeto latino e cirílico e reproduz corretamente nomes locais. === Tempo Real (Flash / Turbo) Para interfaces de voz, atendimento telefônico ao cliente ou NPCs interativos em jogos, use **Flash v2.5** ou **Turbo v2.5**. Eles garantem um diálogo sem emendas, sem pausas desagradáveis entre a pergunta do usuário e a resposta do sistema. ::: ### 2.2. Localização multilíngue e síntese em tempo real > [!TIP] > Para grandes serviços, a arquitetura híbrida mais eficiente é: as primeiras frases de boas-vindas ao usuário são geradas via **Flash v2.5** ultrarrápida, enquanto respostas longas e detalhadas são processadas pela **Multilingual v2**. --- ## 3. Gerenciamento de entonação, emoções e tags de áudio O grande avanço das novas versões da ElevenLabs é a capacidade de controlar o estilo de fala diretamente através de marcação no texto. ### 3.1. Recursos do modelo Eleven v3 e tags sonoras O modelo Eleven v3 reconhece tags de áudio embutidas que funcionam como rubricas de direção para o locutor: - **Estados emocionais:** ``, ``, ``, ``, ``, ``. - **Efeitos sonoros e reações:** ``, ``, ``, ``, ``, ``. - **Transições estilísticas:** envolver réplicas específicas permite mudar o humor do personagem em tempo real. ### 3.2. Impacto da pontuação, registro e quebras na melodia Além das tags explícitas, a rede neural responde sensivelmente à pontuação textual padrão: - **Ponto (`.`):** Pausa completa com entonação descendente de pensamento concluído. - **Vírgula (`,`):** Breve atraso rítmico mantendo o tom elevado. - **Travessão (`—`) ou reticências (`...`):** Criam o efeito de hesitação natural ou reflexão do narrador. - **LETRAS MAIÚSCULAS:** Forçam o modelo a destacar a palavra-chave com ênfase e volume. --- ## 4. Exemplos práticos de entonação e diálogos Vamos examinar o uso correto das tags em templates textuais específicos. ### 4.1. Cenários de monólogo, diálogo e transições emocionais > 💡 **Exemplo de monólogo com tags de áudio:** ```text It’s funny how life works sometimes. You think you’ve planned everything perfectly... but then something unexpected happens. ``` *Resultado: o modelo inicia a fala com uma risada curta natural, faz uma pausa expressiva nas reticências e exala antes da palavra “something”.* > 💡 **Exemplo de diálogo dramático entre dois personagens:** ```text "I told you never to open that door!" "I know, but you don't understand what was inside..." ``` *Resultado: a primeira réplica soa alta e agressiva, enquanto a resposta vem num tom baixo e calmante.* ### 4.2. Recomendações: estabilidade de geração, seleção de voz e balanceamento de tags 1. **Comprimento do contexto:** evite prompts de 1–2 palavras. Para uma geração estável, envie frases com pelo menos 10 palavras. 2. **Compatibilidade acústica da voz:** nem todas as vozes clonadas respondem igualmente bem às tags `` ou ``. Teste o prompt em 2–3 locutores da biblioteca VoiceLab. 3. **Moderação de tags:** não combine mais de três efeitos em uma única frase para evitar artefatos de distorção sonora. --- ## 5. Gerenciamento de ritmo, pausas e velocidade da fala Para sincronização precisa da fala com vídeo ou animação, utilizam-se atrasos exatos e parâmetros sistêmicos de velocidade. ### 5.1. Tags SSML de pausa e atrasos de pontuação Para definir a duração exata do silêncio, utiliza-se a tag SSML de quebra: ```xml Hello there welcome to our system. ``` - São aceitos valores em segundos (`1.5s`) ou milissegundos (`500ms`). - A faixa de duração de uma única pausa geralmente varia de `0.1s` a `3.0s`. ### 5.2. Parâmetro de velocidade da fala (speed) na API A velocidade de geração é definida na configuração da requisição através do parâmetro `speed`: - `1.0` — Velocidade de referência do locutor selecionado. - `0.8` — Ritmo moderado e calmo para meditações ou materiais educacionais. - `1.2` — Entrega dinâmica e energética para publicidade e boletins de notícias. - Faixa operacional permitida: de `0.5` a `2.0`. --- ## 6. Gerenciamento de pronúncia: fonemas, tags alias e dicionários PLS Quando o modelo encontra termos médicos específicos, acrônimos ou nomes raros, entram em cena as regras fonéticas. ### 6.1. Marcação fonética (IPA / CMU Arpabet) e tags alias Usando a tag ``, você pode especificar a transcrição exata de uma palavra conforme o alfabeto internacional IPA: ```xml hello ``` Para abreviações simples, é conveniente usar apelidos via tag ``: ```xml LOL ``` *O modelo vocalizará a frase completa expandida em vez da abreviação incompreensível.* ### 6.2. Dicionários corporativos de pronúncia (PLS) Para grandes projetos, a ElevenLabs suporta o padrão **Pronunciation Lexicon Specification (PLS)**. Você pode carregar um arquivo XML de dicionário nas configurações do Workspace, e todas as vozes do sistema pronunciarão automaticamente nomes de marcas e produtos conforme seu padrão corporativo. ### 6.3. Truques contextuais e entrega dialógica > [!NOTE] > Se você não quiser sobrecarregar o texto com tags XML, utilize transliteração fonética: escreva a palavra complexa sílaba por sílaba em ucraniano ou inglês (por exemplo, *"Ne-o-bank"* em vez de *"Neobank"*). --- ## 7. Normalização de texto: números, datas, moedas e abreviações As redes neurais convertem símbolos em som sequencialmente. Texto não preparado frequentemente resulta em datas como `11/05` sendo lidas como “onze dividido por cinco”. ### 7.1. Por que os modelos erram em números e caracteres especiais Os modelos Text-to-Speech nem sempre conseguem determinar automaticamente o contexto: se o número `1984` é um ano, uma quantia em hryvnias, um número de apartamento ou um código telefônico. ### 7.2. Três métodos de normalização: seleção de modelo, prompting e RegEx 1. **Seleção de modelo adaptativo:** A Multilingual v2 possui regras embutidas de melhor normalização de números do que a v3 experimental. 2. **Verbalização no prompt:** Escreva os números por extenso diretamente no texto de origem. 3. **Pré-processamento programático (RegEx):** Antes da chamada à API, expressões regulares substituem símbolos de moeda e formatos de data por equivalentes verbais. ### 7.3. Tabela de referência de normalização de dados numéricos e textuais | Categoria | Entrada Não Preparada | Texto Normalizado para API | | :--- | :--- | :--- | | **Número de Telefone** | `+380 50 123 45 67` | `mais três oito zero, cinquenta, cento e vinte e três, quarenta e cinco, sessenta e sete` | | **Data Calendária** | `24.08.1991` | `vinte e quatro de agosto de mil novecentos e noventa e um` | | **Moeda** | `$250` | `duzentos e cinquenta dólares` (ou `two hundred and fifty dollars`) | | **Intervalo** | `10-15 kg` | `de dez a quinze quilogramas` | | **Abreviação** | `НАТО` | `НАТО` (como palavra) ou `C-E-O` (com hífens, se necessário soletrar letras) | --- ## 8. Integração via API e exemplos de implementação Para síntese confiável no servidor, envie obrigatoriamente texto previamente normalizado com indicação dos parâmetros de estabilidade da voz. ### 8.1. Construção da requisição com texto normalizado > [!IMPORTANT] > Os parâmetros `stability` (estabilidade) e `similarity_boost` (boost de similaridade) devem ser ajustados para garantir consistência.