ElevenLabs выпустила SFX v3: модель точнее следует промптам из нескольких звуков

Если вы делали игру, приложение для медитации или видеоредактор с автоматической озвучкой, то знаете эту боль: просишь у генератора звуков сцену из трёх действий, а получаешь кашу, где всё звучит одновременно или половина событий потерялась. ElevenLabs выпустила SFX v3, и главное обещание обновления именно про это: модель точнее следует промптам с несколькими инструкциями.

Что изменилось

SFX v3 — новая модель в Sound Effects API. По словам компании, она лучше v2 держит последовательность из нескольких событий, аккуратнее обрабатывает вокал и музыку, а ещё реже клипует на высокочастотных звуках: гонгах, колокольчиках, свистке чайника. Сама ElevenLabs называет релиз инкрементальным, так что ждать революции не стоит. Это аккуратный апгрейд, а не новое поколение.

Для разработчика миграция тривиальна. В вызове text_to_sound_effects.convert меняете model_id на eleven_text_to_sound_v3, и всё. Эндпоинт тот же: POST /v1/sound-generation. Пример из анонса: «Толпа на стадионе болеет, слышен удар мяча, толпа освистывает». Три события в одном запросе, и именно такие сценарии v3 должна отрабатывать лучше.

Параметры, которые стоит знать

Длину эффекта модель выбирает сама по тексту промпта. Если нужен точный тайминг, задайте duration_seconds. Если результат уплывает от запроса, поднимите prompt_influence выше значения по умолчанию 0,3: чем оно больше, тем строже модель следует тексту и тем меньше разброс между генерациями. Формат выхода задаёт параметр output_format, например mp3_44100_128 или pcm_48000.

Ограничение, о котором легко забыть: зацикливание сейчас работает только в eleven_text_to_sound_v2. Если вы делаете фоновые лупы, например шум дождя или гул космической станции, оставайтесь на v2 с loop: true. Это значит, что полный переезд на v3 для части проектов невозможен, и держать придётся обе модели.

Как писать промпты

Порядок в тексте важен. События перечисляйте в той последовательности, в которой они должны прозвучать: «Шаги по гравию, затем открывается металлическая дверь». Для одиночного звука лучше короткий и конкретный запрос.

Формулировка тоже влияет на результат. Один из тестеров ElevenLabs заметил, что «пара ссорится по-французски» (arguing) работает заметно лучше, чем «пара дерётся по-французски» (fighting). Вывод практический: прогоните несколько синонимичных формулировок одного и того же события, прежде чем фиксировать промпт в коде.

Что делать на практике

Поскольку обе модели живут на одном эндпоинте, A/B-тест обходится дёшево. Возьмите десяток самых частых промптов из продакшена, прогоните через v2 и v3 и сравните на слух. Особенно проверьте сложные многосоставные сцены и звуки с резкими высокими частотами: именно там ожидается выигрыш. Для лупов оставьте v2.

В целом это рабочее обновление для тех, кто уже интегрировал ElevenLabs SFX. Новых возможностей мало, но смена одной строки конфигурации стоит нескольких минут тестирования. Послушать результаты без кода можно во вкладке Sound Effects, во Flows и в Studio внутри ElevenCreative.