29 октября ElevenLabs представила SFX v3 — обновлённую нейросеть, которая лучше справляется с несколькими звуковыми событиями в одном описании.
Например, можно попросить сначала воспроизвести шаги по гравию, затем скрип металлической двери и наконец звук её закрытия. ИИ попытается создать всю последовательность за одну генерацию.
Предыдущая SFX v2 тоже понимала подобные инструкции, но чаще пропускала отдельные звуки или ошибалась с их сочетанием. По данным ElevenLabs, новая модель точнее следует описанию.
Заодно подтянули музыку, вокал и качество самих эффектов. Разработчики утверждают, что гонги, колокольчики и свист теперь звучат естественнее, без неприятных хрипов и искажений.
Одна генерация рассчитана максимум на 30 секунд звука.
Поэтому озвучивать целый фильм одним запросом не получится.
Зато короткую сцену для ролика или игры можно попробовать собрать сразу, а затем поправить описание и получить другой вариант.