ElevenLabs yordamida tabiiy AI ovozini sayqallash: nafasga yaqinlik, ravonlik, montaj va transkripsiya nazorati

Loyiha qanday muammoni hal qiladi

Bu loyiha qutidan chiqarib darhol ishlatiladigan dasturiy paket emas, balki amaliy tinglash va takroriy tahrirlar orqali ishlab chiqilgan AI ovozli ishlab chiqarish usulidir. U bir nechta keng tarqalgan muammoga qaratilgan: nafas ovozining sukunatda yolg‘iz qolishi, nafas bilan replika orasidagi tanaffusning haddan tashqari uzoq bo‘lishi, pauzadan keyin ovozning birdan rasmiy tusga kirishi, modelning gaplarni takrorlashi yoki tashlab ketishi, shuningdek, replika kesilgandan keyin fon shovqinining tabiiy ulanmasligi.

To‘liq jarayon to‘rtta asosiy ishga tayanadi: ElevenLabs v4 yordamida ovoz sintez qilish, audio bilan ishlash uchun ffmpeg’dan foydalanish, mazmunni tekshirish uchun Whisper orqali transkripsiya qilish va ovoz balandligi, ton hamda namunaviy pozitsiyalarni NumPy yordamida tahlil qilish.

Asosiy xulosa “ko‘proq nafas qo‘shish” emas, balki “nafasni to‘g‘ri joyga qo‘yish”dir: og‘iz ochilishidan oldingi qisqa nafas birinchi so‘zga yopishib turishi, gap oxirida nafas tabiiy davom etishi, gap ichidagi nafas esa yarim gaplar orasida saqlanishi kerak.

Asosiy imkoniyatlar va usullar

• Nafasni replikaga yaqinlashtirish: gap boshlanishidan oldingi yengil va qisqa nafasni aniqlash, faqat sukunatni siljitish va nafasni replikadan taxminan 0.08 soniya uzoqlikka ko‘chirish.
• Keskin ovoz balandligini tuzatish: har bir ovozli blokning balandligini o‘lchash va medianadan 4 dB dan ko‘proq baland bloklarni me’yorida pasaytirish.
• Yo‘qotishsiz gap kesish: quruq ovozni sukunat joylaridan kesish, so‘ngra aylanuvchi fon shovqinini qayta joylash va ma’qullangan ijroni imkon qadar saqlash.
• Takrorlash va tushirib qoldirishni aniqlash: sintezdan keyin Whisper orqali transkripsiya qilib, “eshitilgan so‘zlar”ni “aytilishi kerak bo‘lgan so‘zlar” bilan solishtirish va muammo bo‘lsa qayta yaratish.
• Harakat tovushlarini sinxronlash: tovush belgilarini butun replika turining boshiga emas, harakat amalda boshlanadigan gapga yozish.
• Kundalik ovoz ohangini shakllantirish: ovozni shunchaki yumshatish emas, balki qahramonning tezligi, toni, ishonchlilik darajasi va gapirish odatlarini aniq belgilash.

Muhitni tayyorlash

Kerakli vositalar

• ElevenLabs v4: matnni nutqqa aylantirish uchun. Loyihada amalda v4 ishlatilgan.
• ffmpeg: audioni dekodlash, kesish, birlashtirish, qayta namunalash va eksport qilish uchun.
• Whisper: yaratilgan natijani qayta transkripsiya qilish, takrorlar, tushib qolgan gaplar va mazmun og‘ishlarini aniqlash uchun.
• NumPy: audio massivlarini qayta ishlash, o‘zaro korrelyatsiya, ovoz balandligini hisoblash va parchalarni siljitish uchun.

README’da amaliy muhit sifatida macOS ko‘rsatilgan. Unda tayyor o‘rnatish skripti berilmagan, shuning uchun har bir vositani rasmiy ko‘rsatmalariga muvofiq alohida o‘rnatish va ffmpeg, Whisper hamda Python muhiti to‘g‘ri ishlashini tekshirish kerak.

Tahlil bosqichiga kirishdan oldin audioni yagona namunalash chastotasidagi mono to‘lqin shakliga dekodlash va belgilangan qadam bilan hisoblangan ikki turdagi ma’lumotni tayyorlash kerak: har bir kadr uchun ton f0 va har bir kadr uchun RMS ovoz balandligi rms. Dastlabki jarayonda kadr qadami 10 millisekund edi; ovoz balandligini tahlil qilish oynasi chegaralarni bir necha o‘n millisekundga xira qiladi, shuning uchun parchalarni siljitishda ozgina zaxira qoldirish kerak.

Har doim ikki xil ovozni saqlang

Har bir generatsiyadan keyin quyidagi versiyalarni saqlang:

1. Quruq ovoz: faqat inson ovozi, fon yoki harakat tovushlarisiz.
2. Nam ovoz: inson ovozi ostiga fon tovushlari qo‘yilgan yakuniy versiya.

Quruq ovoz nafasni o‘lchashni osonlashtiradi, shuningdek keyinchalik gapni o‘chirish, parchani almashtirish yoki fonni qayta joylashda dastlabki ijroni saqlab qolishga yordam beradi. Faqat yakuniy miksni saqlab qo‘ymang.

Birinchi qadam: nafas ko‘rsatmalarini to‘g‘ri yozish

“Hmm”, “ha” yoki nafas teglarini uzun sukunatlar orasiga alohida qator qilib joylashtirmang. Bunday usulda yaratilgan ovoz ko‘pincha aniq tonli, balandligi odatiy nutqqa yaqin bo‘ladi va uning oldi hamda orqasida uzun o‘lik sukunatlar paydo bo‘ladi; natijada u alohida tovush effektiga o‘xshaydi.

Nafasni replika yozilgan qatorning ichiga kiritish tavsiya etiladi:

[low, breathy, wet]
[inhales] Menga qara… [exhales]
[long pause]
Hmm… yashirinma… Hmm… ha…

• Qator boshida faqat [inhales], [exhales] yoki [sighs] kabi qisqa nafas teglaridan foydalaning.
• Teg bilan replika orasiga yana bir qator ko‘p nuqta qo‘ymang.
• Gap oxirida tabiiy ravishda bir nafas chiqarish yoki ketma-ket ikki-uchta yengil undov tovushini qo‘shish mumkin.
• Bo‘sh oraliqda faqat bitta [long pause] qatorini yozing; bo‘shliq ichida alohida g‘o‘ldirashlarni terib chiqmang.
• Gap ichida ham nafas qo‘shish mumkin; bir gapda bosh, o‘rta va oxirdan bir-ikkita joyni tanlash kifoya.

Ketma-ket ikkita [long pause] yozish pauzani albatta sezilarli uzaytirmaydi. Loyiha sinovlarida bitta teg taxminan 0.96 soniya sukunat, ketma-ket ikkitasi esa taxminan 1.04 soniya hosil qilgan. Shuning uchun aniq davomiylikni tegning matniga bog‘lamang.

Ikkinchi qadam: ovozni o‘lchanadigan “bloklar”ga ajratish

Bu yerda “blok” uzluksiz ovozli qismni anglatadi. Har bir blok uchun uchta ko‘rsatkich o‘lchanadi: davomiylik, o‘rtacha ovoz balandligi va ton mavjud bo‘lgan kadrlar ulushi. Ular odatiy replikani, haqiqiy nafasni va tonli alohida g‘o‘ldirashni ajratishga yordam beradi.

def is_breath(f0, rms, a, b):
    dur = (b - a) * 0.01
    voiced = (f0[a:b] > 0).mean()
    db = 20 * np.log10(rms[a:b].mean() + 1e-9)
    return 0.12 <= dur <= 0.9 and voiced < 0.15 and db < -29

Dastlabki loyihadagi odatiy oraliqlar quyidagicha:

• Pasaytirilgan, nafasli replika: taxminan 0.5–2 soniya, ovoz balandligi −22 dan −27 dB gacha, tonli kadrlar ulushi taxminan 20–40 foiz.
• Nafas olish, nafas chiqarish yoki hushtaksimon tovush: taxminan 0.3–0.65 soniya, ovoz balandligi −32 dan −40 dB gacha, tonli kadrlar ulushi taxminan 10 foiz.
• Uzilib qolgan alohida g‘o‘ldirash: taxminan 0.4–0.5 soniya, ovoz balandligi −25 dB gacha yetishi mumkin, tonli kadrlar 60 foizdan ortiq bo‘ladi va oldi-orqasida ko‘pincha 0.6–1 soniya sukunat bo‘ladi.

Bu chegaralar muayyan ovoz ohangi va namunalar asosida olingan, shuning uchun ularni barcha ovozlar uchun umumiy standart deb qabul qilib bo‘lmaydi. Ishonchliroq usul — avval tinglovchi muammoni ko‘rsatishi, keyin esa shu ovoz ohangining o‘ziga xos oralig‘ini yaqin atrofdagi normal parchalar asosida belgilashdir.

Uchinchi qadam: gap boshidagi nafasni replikaga yaqinlashtirish

Ko‘rsatmalar to‘g‘ri yozilgan bo‘lsa ham, model nafas bilan replika orasida o‘z-o‘zidan 0.3 soniya yoki undan uzoqroq sukunat qoldirishi mumkin. Ko‘rsatmalar o‘nlab millisekund darajasidagi joylashuvni boshqarishi qiyin, shuning uchun generatsiyadan keyin audio parchalarini siljitish kerak.

Oldingi va keyingi tuzilmani quyidagicha tasavvur qilish mumkin:

Oldin: oldingi gap → Sukunat A → nafas → Sukunat B → keyingi gap
Keyin: oldingi gap → uzunroq sukunat → nafas → 0.08 soniya → keyingi gap

Amalda faqat nafas va sukunat joyini almashtiring; nafasning o‘zini yoki replikani o‘zgartirmang va butun parchaning umumiy davomiyligini ham o‘zgartirmang. Shu tariqa mavjud vaqt jadvali, fon tovushlari va nutq tezligi statistikasi buzilmaydi.

Siljitish uchun mos nomzod blok quyidagi shartlarga javob berishi kerak:

• U yengil, qisqa va aniq tonsiz nafas sifatida aniqlangan bo‘lishi.
• Undan keyin taxminan 0.14–1.5 soniya ichida nutq bloki paydo bo‘lishi.
• Undan oldin kamida taxminan 0.3 soniya bo‘shliq bo‘lishi.
• Gap ichida darhol oldingi yarim gapga ergashadigan nafas siljitilmasligi; aks holda tabiiy nafas olish buziladi.

README’dagi amaliy maqsadli oraliq taxminan 0.08 soniya. Siljitishda nafas boshidan taxminan 0.02 soniya, oxiridan esa taxminan 0.03 soniya qo‘shib oling va yangi joyda bosh va oxirga taxminan 4 millisekundlik fade-in/fade-out bering; bu ulanish sezilishini kamaytiradi.

To‘rtinchi qadam: pauzadan keyingi “rasmiy ohang”ni tuzatish

Ayrim ovozlar uzun pauzadan keyin yanada aniqroq, balandroq va kamroq nafasli oddiy nutq holatiga qaytadi. Misolda noodatiy qisqa gaplar atrofdagi mazmundan 6 dB dan ko‘proq baland bo‘lgan, tonli kadrlar ulushi esa taxminan 30 foizdan 60 foizgacha oshgan.

Avval ko‘rsatmalar orqali ehtimolni kamaytiring

• Pauzadan keyin avval bir nafas qo‘shing yoki replikaga past g‘o‘ldirash bilan kiring.
• Gap oxirini cho‘zib yakunlang; har safar keskin so‘roq yoki nuqta bilan tugatmang.
• Ikki-uch so‘zli qisqa gaplarni qo‘shni gap bilan birlashtirish mumkin; shunda ular alohida ravishda aniq diktor ohangida o‘qilmaydi.
• Ovoz ohangini qayta ta’kidlash kerak bo‘lsa, kichik tegni gap boshiga qo‘ying, uni doim alohida qatorga ajratmang.

[long pause]
Hmm… [low, breathy] Yashirinma…

Agar segmentlash vositasi har bir qator boshidagi ovoz tegida yangi parcha yaratsa, qator ichidagi bunday yozuv ulanishlar va ton sakrashlarini kamaytirishi mumkin.

Keyin dastur orqali noodatiy balandlikni pasaytiring

Har bir blokning balandligini hisoblang va joriy paragrafdagi barcha nutq bloklarining medianasini tayanch sifatida oling. Agar biror blok 4 dB dan ko‘proq baland bo‘lsa, uni atigi taxminan 2 dB balandroq qoladigan darajagacha pasaytiring; maksimal pasaytirish 6 dB bo‘lsin va bosh-oxirida taxminan 25 millisekundlik silliq konvert ishlating.

O‘lchash gaplar bo‘yicha emas, bloklar bo‘yicha amalga oshirilishi shart. Keyingi uzun gap bilan birlashtirib o‘rtacha olinsa, yarim soniyalik qisqa balandlashuvning 6 dB lik og‘ishi chegaradan pastga suyulib ketishi mumkin. Dastur faqat ovoz balandligini tuzata oladi; nafasli tembrning yo‘qligini bevosita qaytara olmaydi. Shuning uchun ko‘rsatmalar va keyingi qayta ishlash birgalikda qo‘llanishi kerak.

Beshinchi qadam: sintezdan keyin darhol transkripsiya orqali sifat tekshiruvi

Model ba’zan bir gapni ikki-uch marta takrorlaydi yoki oxirgi gapni butunlay tashlab ketadi. Matnning o‘zi to‘g‘ri bo‘lishi mumkin, shuning uchun har bir sintez qilingan parcha bir marta transkripsiya orqali tekshirilishi kerak.

Loyihada ikki turdagi signal ishlatiladi:

1. Qavs ichidagi teglar va odatiy undov so‘zlarini olib tashlagach, uzunligi kamida oltita xitoycha belgidan iborat, transkripsiyada takrorlangan, ammo asl matnda bir marta uchragan parchalarni izlash.
2. Transkripsiyadagi belgilar sonini asl matndagi belgilar soni bilan solishtirish; kutilganidan taxminan 20 foiz kam bo‘lsa, gap yutilgan bo‘lishi mumkin deb hisoblash.

Muammo aniqlansa, bir marta qayta generatsiya qiling, so‘ng ikki versiyaga ball berib, bali pastroq bo‘lganini saqlang. Undov so‘zlari ko‘pincha aniq transkripsiya qilinmaydi, shuning uchun “hmm”, “ha”, “ah”, “uh” kabi so‘zlarni asosiy solishtirish mezoniga aylantirmang.

Jonli telefon suhbatida Whisper 20–30 soniyalik audioni transkripsiya qilish uchun taxminan uch soniya talab qilishi mumkin. Keyingi parchalarni joriy parcha ijro etilayotganida fonda tekshirish mumkin; birinchi parchada kechikishni yashiradigan ijro vaqti bo‘lmagani uchun avval “davomiylikni samarali belgilar soniga bo‘lish” orqali tezkor saralashni bajaring. Dastlabki misolda normal oraliq har bir belgi uchun taxminan 0.41–0.62 soniya edi; oraliqdan chiqilsa, to‘liq transkripsiyani boshlash kerak.

Oltinchi qadam: qayta generatsiyasiz bitta gapni olib tashlash

Agar tinglovchiga muayyan ijroning aynan bir varianti yoqqan bo‘lsa, faqat bitta gapni o‘chirish kerakligi sababli butun parchani qayta o‘qitmang. Har bir generatsiya yangi ijro hisoblanadi; nafas, pauza va gap oxiridagi mayda tafsilotlarni aniq takrorlash qiyin.

1. Sukunatni aniqlash: avval ovoz balandligini taxminan 50 millisekundlik birliklarda chizing, keyin nomzod kichik parchalarni alohida transkripsiya qilib, ular replika, nafas yoki bo‘shliq ekanini tasdiqlang.
2. Quruq ovozdan kesish: ulanishning ikki uchi ham eng sokin joylarga tushsin va har bir parchaning bosh-oxirida o‘nlab millisekundlik fade-in/fade-out qoldiring.
3. Fon tovushini qayta joylash: allaqachon fon qo‘yilgan tayyor mahsulotni bevosita kesmang; aks holda aylanuvchi fon tovushining ritmi ulanish joyida sakrashi mumkin.
4. Qayta transkripsiya: tayyor mahsulotda faqat maqsadli gaplar qolganini tasdiqlang.
5. Har bir namuna bo‘yicha solishtirish: o‘zgartirilmagan qismlar asl ovoz bilan hanuz bir xil ekanini tekshiring.

Agar nam ovozda qaysi aylanuvchi material ishlatilgani noma’lum bo‘lsa, inson ovozi butunlay jim bo‘lgan oraliqdan tayyor mahsulot to‘lqin shaklini ajratib oling, keyin nomzod materialni aylantirib, o‘zaro korrelyatsiya qiling. Eng yuqori korrelyatsiya materiali fazasini ko‘rsatishi, skalyar ko‘paytma esa fon kuchaytirishini taxmin qilishga yordam beradi. Misolda ikki materialning korrelyatsiyasi 0.99 ga yetgan, taxminiy kuchaytirishlar esa mos ravishda 0.200 va 0.241 bo‘lgan.

Solishtirish namuna darajasida aniq bajarilishi kerak. Bir necha o‘n namuna siljishi ham o‘xshashlikni sezilarli pasaytirib, “material noto‘g‘ri qo‘yilgan” degan xulosaga olib kelishi mumkin. Tekislangandan keyin misoldagi o‘zgartirilmagan parchalar o‘xshashligi 0.996–0.998 ga yetgan.

Yettinchi qadam: fon tovushini to‘g‘ri vaqtdan boshlash

Loyiha ko‘rsatmalardagi maxsus belgilar orqali pastki fon tovushi turini belgilaydi, keyin esa ElevenLabs’ga yuborishdan oldin bu belgilarni olib tashlaydi. Asosiy qoida: tovush qaysi gapdan boshlansa, belgi ham o‘sha gapga yoziladi.

• licking: sekin nam tovushga mos keladi.
• fingering: yopishqoqroq harakat tovushiga mos keladi; tez holat uchun fast fingering yozish mumkin.
• sucking: sekin nam tovushga mos keladi.
• thrust: faqat harakat amalda boshlanadigan gap oldida paydo bo‘ladi; uni butun replika turining boshiga oldindan qo‘ymang.
• still: joriy aylanuvchi fon tovushini to‘xtatish uchun ishlatiladi.

Agar belgi segmentlashni ishga tushirsa, harakat haqiqatan boshlanadigan joyda yangi ulanishni saqlab qolish foydali. Ovoz ohangini qayta ta’kidlash uchun ishlatiladigan boshqa kichik teglarni esa imkon qadar gap boshining ichiga joylashtiring.

Kundalik gapirish ovoz ohangini loyihalash

“G‘ayritabiiy” degani har doim ovoz yetarlicha muloyim emasligini anglatmaydi. Dastlabki loyiha eski modelni ElevenLabs v4 ga yangiladi va yanada bo‘shashgan, yumshoqroq ko‘rsatmalarni sinadi, biroq tinglovchi qahramon boshqa odamga aylangandek taassurot oldi. Oxir-oqibat samarali yo‘nalish qahramonning o‘ziga xos gapirish uslubini aniq belgilash bo‘ldi.

Tanlangan asosiy ko‘rsatma:

[low, slow, confident, a little teasing]

Mos sozlama v4 va barqarorlik 0.35 edi. Gap boshiga tasodifiy ravishda [exhales], [chuckles softly], “hmm…” yoki hech narsa qo‘shilmasligi mumkin. Har safar qo‘shmang, aks holda tabiiy o‘zgarish doimiy og‘zaki odatga aylanadi.

• Faqat sintezga yuboriladigan matnni o‘zgartiring; suhbat interfeysi va tarixdagi asl matnni o‘zgartirmang.
• Agar gapning o‘zi undov so‘zi bilan boshlangan bo‘lsa, uni qayta qo‘shmang.
• Mavjud ovoz teglari yoki sof inglizcha matnni avtomatik o‘rashdan o‘tkazib yuborish mumkin.
• Telefon suhbati uchun alohida ko‘rsatmalar tizimidan foydalaning; kundalik ovozning tasodifiy gap boshlarini unga qo‘llamang.

Ilg‘or usullar va keng tarqalgan xatolar

Ko‘rsatmalarda “nima qilmaslik” emas, “nima qilish kerak” yozilsin

“Muayyan tovushni yozma” degan bitta jumla matn generatorini undan butunlay foydalanishni to‘xtatishga majbur qilishi mumkin. Ishonchliroq usul — kerakli tur, joylashuv va minimal chastotani aniq yozish, vaqti-vaqti bilan paydo bo‘ladigan baland ton yoki noodatiy o‘qishni esa dastur orqali aniqlashdir.

Bir xil nafasni qayta ishlatmang

Yoqimli asl parchani yangi versiyaga ko‘chirganda, materialni o‘sha generatsiyaning o‘zidan olish mumkin, ammo bir xil nafasni ikki joyda takrorlamang. Aks holda tinglovchi aynan bir xil tafsilot nusxalanganini sezishi mumkin.

Qidirish mumkin bo‘lgan materiallar qutisini yarating

Ma’qullangan nafas olish, shivirlash va qisqa nafas tovushlarini asl fayl, vaqt oralig‘i va qo‘llangan joyi bilan saqlang. Keyinchalik biror nafas yorlig‘i faqat sukunat hosil qilsa, materiallar qutisidan bitta nafas qo‘shish mumkin. README hujjatida avtomatik nafas qo‘shish uchun hali ham vaqt tamg‘alari mavjud interfeys kerakligi ko‘rsatilgan; faqat “jumla ichida sukunat bor” degan belgiga qarab, nafas yetishmasligi bilan odatiy pauzani farqlab bo‘lmaydi.

Jonli qo‘ng‘iroqlarda suhbatning bo‘linishini boshqaring

Tizim hali javobni ijro etmagan paytda suhbatdosh gapira boshlasa, ovozga chiqmagan eski javobni bekor qilib, yangi mazmunni darhol qayta ishlash kerak. Yangi gapni eski javob tugaguncha buferda saqlamang, aks holda ayni gapga ikki marta javob berilishi mumkin. Matnga aylantirib bo‘lmaydigan qisqa tovushlar uchun avvalgi jarayon avtomatik ohang tovushini qo‘shishdan oldingi kutish vaqtini 2.5 soniyadan 4.5 soniyagacha uzaytirgan; bu haqiqiy gapdan oldin ishga tushish ehtimolini kamaytiradi.

Avval muammoni eshiting, keyin nimani o‘lchashni belgilang

Ovoz balandligi, tovush balandligi, sukunat davomiyligi, so‘zlar nisbati va o‘zaro korrelyatsiya faqat allaqachon aniqlangan muammolarni tekshirishi mumkin. Ular mustaqil ravishda “ohang to‘g‘rimi” degan savolga javob bera olmaydi. Eng samarali jarayon hamon tinglovchi avval g‘ayritabiiy eshitilayotgan aniq joyni ko‘rsatishi, so‘ng unga mos ko‘rsatkichni yaratishidan iborat.

Tavsiya etiladigan to‘liq ish jarayoni

1. Ovoz tembri, nafas, pauza va tovush effektlari belgilari kiritilgan matn yozing.
2. Faqat keyingi ishlov uchun kerak bo‘ladigan tovush effektlari belgilarini olib tashlab, qolgan matnni ElevenLabs v4 ga yuboring.
3. Quruq ovozni saqlang va takrorlar, tushib qolgan jumlalar hamda mazmuniy og‘ishlarni tekshirish uchun Whisper yordamida transkripsiya qiling.
4. f0 va rms ni hisoblab, audioni nutq bloklari, nafas bloklari va boshqa ovozli bloklarga ajrating.
5. Gap boshlanishidan oldingi nafasni replikaga taxminan 0.08 soniya qolganda joylashtiring, jumla ichidagi nafaslarni esa saqlab qoling.
6. Har bir blokdagi keskin ovoz balandligini aniqlang va noodatiy bloklarga silliq pasayish qo‘llang.
7. Harakat belgilariga ko‘ra takrorlanuvchi tovush effektlarini joylashtirib, ishlov berilgan ovoz versiyasini eksport qiling.
8. Yana transkripsiya qiling va umumiy davomiylik, uzoq sukunatlar soni, nafas joylashuvi hamda o‘zgartirilmagan qismlardagi namuna o‘xshashligini tekshiring.
9. Tinglovchi ma’qullagan asl parchalar va ularning vaqt oralig‘ini saqlang, faqat yakuniy miksni qoldirmang.

Xulosa

Tabiiy AI ovozi ko‘proq nafas yorliqlarini ustma-ust qo‘shish orqali hosil bo‘lmaydi. Ishonchliroq usul — nafasni gapga yaqin joylashtirish, harakat tovushlarini to‘g‘ri vaqtdan boshlash, har bir sintez natijasini transkripsiya orqali tekshirish va montaj zarur bo‘lganda asl ijroni imkon qadar saqlab qolishdir.

Ko‘rsatmalar “nimani yozish” va “qanday ohangda aytish”ni belgilaydi, dastur esa o‘nlab millisekundlik joylashuv, noodatiy ovoz balandligi, takroriy yoki tushib qolgan so‘zlar va namuna darajasidagi ulanishlar uchun javob beradi. Ularning uyg‘unligi tasodifan hosil bo‘lgan yaxshi ovoz yozuvini takroran bajariladigan ishlab chiqarish jarayoniga aylantiradi. Qo‘shimcha ma’lumot uchun ElevenLabs ko‘rsatmalar qo‘llanmasi, ElevenLabs nafas tovushlari haqidagi izoh va nutqdagi nafas olish tadqiqotiga murojaat qiling.