Instrumente dialog

Generați conținut audio TTS cu o singură voce pe Replicate. Instrumentul generate_dialogue acceptă un singur text și o singură voce per apel (scenele cu mai multe voci se obțin combinând rezultatele mai multor apeluri) și suportă doi furnizori:

• ElevenLabs v3 (provider: "elevenlabs", opțiunea implicită): 26 de voci cu nume umane, prosodia cea mai naturală.
• Google Gemini 3.1 Flash TTS (provider: "google"): 30 de voci, peste 70 de limbi, un prompt de stil în limbaj natural și etichete expresive inline ([sigh], [laughing], [whispering], [shouting], [extremely fast], [like dracula]) care sunt efectiv interpretate.

Ambii furnizori au aceeași tarifa (26 credite / 1000 de caractere). Catalogul complet apare și prin get_models (filtru model_type: "speech").

#ElevenLabs v3 (implicit)

elevenlabs/v3 acceptă aceste 26 de voci (sensibile la majuscule). Orice altă valoare este respinsă cu 400 Unsupported voice și nu se taxează creditele. Etichetele audio precum [laughs] sunt eliminate pe server înainte de sinteză (nu sunt rostite).

#Voci feminine

#Voci masculine

#Google Gemini 3.1 Flash TTS

Transmite provider: "google". Gemini adaugă un prompt de stil în limbaj natural (setează tonul, ritmul, accentul, emoția sau un personaj) și interpretează etichetele [tags] inline în loc să le elimine. Acceptă 30 de voci (sensibile la majuscule) și coduri de limbă BCP-47.

Etichetele inline sunt interpretate, nu eliminate: [sigh], [laughing], [uhm], [whispering], [shouting], [sarcasm], [robotic], [extremely fast], [short pause] / [medium pause] / [long pause], și etichete descriptive libere precum [like dracula] sau [excitedly].

#Voci feminine

#Voci masculine

Limbi: Coduri BCP-47 (de ex. en-US, en-GB, es-ES, es-MX, pt-BR, fr-FR, de-DE, it-IT, ja-JP, ko-KR, hi-IN, ar-001, ru-RU, ro-RO, tr-TR, vi-VN, th-TH și peste 70 altele), sau auto pentru detectare automată. Implicit en-US. Apelați get_limits_for_model('text-to-dialogue-gemini') pentru lista completă.

#generate_dialogue

Generează un clip TTS cu o singură voce.

Parametri:

ElevenLabs elimină [HEY] / [laughs] / [whispers] înainte de sinteză. Google interpretează etichetele inline (vezi lista de etichete de mai sus).

Exemplu (Google Gemini):

{
  "provider": "google",
  "text": "[whispering] I have a secret. [laughing] Just kidding!",
  "voice": "Callirrhoe",
  "style_prompt": "Speak playfully, like sharing a fun secret with a friend.",
  "language_code": "en-US"
}

Exemplu (ElevenLabs):

{
  "text": "Bun venit înapoi, ești gata să generezi?",
  "voice": "Rachel",
  "stability": 0.5,
  "language_code": "ro"
}

Răspuns: Întoarce un generation_id. Verificați progresul cu get_generation_status.

#Scene cu mai multe voci

generate_dialogue este monovoce. Pentru un dialog între doi vorbitori, apelați instrumentul o dată per replică (ElevenLabs: transmițând previous_text / next_text pentru continuitate prosodică) și concatenați apoi fișierele audio rezultate.

#get_generation_status

Folosiți generation_id returnat de generate_dialogue pentru a verifica progresul. Când statusul este completed, URL-ul fișierului audio se află în array-ul outputs (media_type: "audio").

#Credite și limite

• Cost: 26 de credite la fiecare 1000 de caractere, ambii furnizori (rotunjire: zecimal ≤ 0.3 în jos, > 0.3 în sus).
• Minim: 1 credit pentru orice text nevid.
• Lungime minimă: 5 caractere după eliminarea etichetelor audio.
• Lungime maximă: ElevenLabs 5000 de caractere; Google 4000 de bytes pentru text (și ≤ 8000 de bytes pentru text + style_prompt combinate).

Vedeți Limitări pentru detalii complete.