آخر نقطة ضعف في فيديوهات الذكاء الاصطناعي، وElevenLabs تتقدم خطوة أخرى 🎧
في 10/29، أطلقت ElevenLabs إصدار SFX v3، وهو جيل جديد من نماذج تحويل النص إلى مؤثرات صوتية، ومتاح للاستخدام عبر ElevenCreative وواجهات API.
أبرز التحسينات التي أعلنتها الشركة:
1️⃣ بات النموذج يفهم المطالبات التي تتضمن أصواتًا متعددة. مثلًا: «هتاف في ملعب، ارتطام الكرة بالأرض، صيحات استهجان من الجمهور». سابقًا، كان عليك توليد كل صوت على حدة ثم تركيبها، أما الآن فيُنتج مقطعًا كاملًا دفعة واحدة.
2️⃣ أصبح توليد المؤثرات الصوتية المصحوبة بالموسيقى والأصوات البشرية أفضل (ومن أمثلة الشركة: «جوقة إنجيلية تغني مرحبًا»).
3️⃣ تشويش أقل وفرقعة أقل في الأصوات عالية التردد (مثل الصنوج وأجراس الرياح والصفارات).
4️⃣ يدعم الحلقات الصوتية المتصلة بسلاسة، بمدة تصل إلى 30 ثانية للمقطع الواحد. وفي واجهة API، يكفي تغيير model_id إلى eleven_text_to_sound_v3؛ أما v2 فما زال الإصدار الافتراضي.
بعض النقاط التي تستدعي التريث:
· توضح الوثائق الرسمية أن الوصول محدود، وقد تظهر رسالة «Unknown model» لبعض المناطق والحسابات.
· الادعاء بأنه «أفضل من v2» يستند إلى اختبارات معيارية أجرتها الشركة بنفسها، ولم تُنشر بياناتها.
· تشير الوثائق نفسها إلى أنه يُنصح بمقارنة v2 وv3 بالاستماع قبل التبديل. وحتى عدد الضربات الدقيق، مثل «قرع المثلث الموسيقي 4 مرات»، ليس مضمونًا.
رأيي: خلال العامين الماضيين، احتدم التنافس في مجال فيديوهات الذكاء الاصطناعي على جودة الصورة، لكن الصوت هو ما يتطلب جهدًا بشريًا كبيرًا فعلًا: الموسيقى التصويرية، والأصوات المحيطة، والمؤثرات الصوتية. ومع تولّي النماذج هذه الطبقة الصوتية، تنخفض كلفة إنتاج الأفلام القصيرة وعروض الألعاب التجريبية لدى الفرق الصغيرة خطوة أخرى.
يواصل بائعو المعاول جني الأرباح، ويواصل مستخدموها التنافس على الكفاءة. لا تكتفوا بالانتقاء من دون تجربة؛ جرّبوا المطالبات بأنفسكم، فالأذن أصدق من الاختبارات المعيارية.
المصدر: المدونة الرسمية لـElevenLabs ووثائق المطورين (2026-10-29)
#AI #ElevenLabs #AIGC
في 10/29، أطلقت ElevenLabs إصدار SFX v3، وهو جيل جديد من نماذج تحويل النص إلى مؤثرات صوتية، ومتاح للاستخدام عبر ElevenCreative وواجهات API.
أبرز التحسينات التي أعلنتها الشركة:
1️⃣ بات النموذج يفهم المطالبات التي تتضمن أصواتًا متعددة. مثلًا: «هتاف في ملعب، ارتطام الكرة بالأرض، صيحات استهجان من الجمهور». سابقًا، كان عليك توليد كل صوت على حدة ثم تركيبها، أما الآن فيُنتج مقطعًا كاملًا دفعة واحدة.
2️⃣ أصبح توليد المؤثرات الصوتية المصحوبة بالموسيقى والأصوات البشرية أفضل (ومن أمثلة الشركة: «جوقة إنجيلية تغني مرحبًا»).
3️⃣ تشويش أقل وفرقعة أقل في الأصوات عالية التردد (مثل الصنوج وأجراس الرياح والصفارات).
4️⃣ يدعم الحلقات الصوتية المتصلة بسلاسة، بمدة تصل إلى 30 ثانية للمقطع الواحد. وفي واجهة API، يكفي تغيير model_id إلى eleven_text_to_sound_v3؛ أما v2 فما زال الإصدار الافتراضي.
بعض النقاط التي تستدعي التريث:
· توضح الوثائق الرسمية أن الوصول محدود، وقد تظهر رسالة «Unknown model» لبعض المناطق والحسابات.
· الادعاء بأنه «أفضل من v2» يستند إلى اختبارات معيارية أجرتها الشركة بنفسها، ولم تُنشر بياناتها.
· تشير الوثائق نفسها إلى أنه يُنصح بمقارنة v2 وv3 بالاستماع قبل التبديل. وحتى عدد الضربات الدقيق، مثل «قرع المثلث الموسيقي 4 مرات»، ليس مضمونًا.
رأيي: خلال العامين الماضيين، احتدم التنافس في مجال فيديوهات الذكاء الاصطناعي على جودة الصورة، لكن الصوت هو ما يتطلب جهدًا بشريًا كبيرًا فعلًا: الموسيقى التصويرية، والأصوات المحيطة، والمؤثرات الصوتية. ومع تولّي النماذج هذه الطبقة الصوتية، تنخفض كلفة إنتاج الأفلام القصيرة وعروض الألعاب التجريبية لدى الفرق الصغيرة خطوة أخرى.
يواصل بائعو المعاول جني الأرباح، ويواصل مستخدموها التنافس على الكفاءة. لا تكتفوا بالانتقاء من دون تجربة؛ جرّبوا المطالبات بأنفسكم، فالأذن أصدق من الاختبارات المعيارية.
المصدر: المدونة الرسمية لـElevenLabs ووثائق المطورين (2026-10-29)
#AI #ElevenLabs #AIGC