"बातें तो सब सही हैं, पर यह किसी इंसान जैसा नहीं लगता।"
AI फ़ोन एजेंट आज़माने वाले लोग सबसे पहले यही कहते हैं।
नमस्ते, हम Sonetho हैं। ⚡
भाग 1 (शुरुआती गाइड) और भाग 2 (रियल एस्टेट कार्यालय) को देखकर AI फ़ोन एजेंट तैयार करने वाले लोगों से हमें बार-बार एक ही बात सुनने को मिली है।
स्क्रिप्ट तो एकदम सटीक होती है, लेकिन यह नाराज़ ग्राहक से भी और सौदा तय होने के क्षण में भी बिल्कुल एक ही लहज़े (टोन) में बात करता है।
जहाँ किसी इंसान की आवाज़ स्वाभाविक रूप से बदलनी चाहिए, वहाँ कोई बदलाव न देखकर सुनने वाला तुरंत समझ जाता है कि "यह फिर कोई AI है" और उसका जुड़ाव टूट जाता है।
ElevenLabs ने इसी समस्या के समाधान के लिए जो फ़ीचर तैयार किया है, वह है एक्सप्रेसिव मोड (Expressive mode)।
⚠️ पहले एक बात स्पष्ट कर दें। यह कोई अभी-अभी आया नया फ़ीचर नहीं है।
आधिकारिक ब्लॉग के अनुसार, इसे फ़रवरी 2026 में जारी किया गया था।
हालाँकि आधिकारिक दस्तावेज़ पृष्ठ पर कोई तारीख दर्ज न होने के कारण बहुत से लोग इसे अब पहली बार देख रहे हैं, और इस श्रृंखला के दौरान भी हमसे सबसे ज़्यादा यही सवाल पूछा गया।
इसलिए आज हम Expressive mode सेट करने का तरीका प्रस्तुत कर रहे हैं।
🎭 1. एक्सप्रेसिव मोड में दो घटक एक साथ काम करते हैं
यह केवल एक बटन दबाकर भावना जोड़ देने वाला फ़ीचर नहीं है, बल्कि यह बातचीत के स्टैक के दो महत्वपूर्ण हिस्सों को एक साथ बदलता है।
① Eleven v3 Conversational (बोलने वाला पक्ष)
यह रीयल-टाइम बातचीत के लिए लेटेंसी (विलंबता) को कम करके तैयार किया गया v3 मॉडल है। इसका मूल आधार यह है कि यह बातचीत के संदर्भ को एक टर्न से दूसरे टर्न तक साथ लेकर चलता है।
यदि उपयोगकर्ता की आवाज़ में चिंता महसूस हो, तो यह अधिक शांत लहज़े में उत्तर देता है, और जहाँ जानकारी सटीक रूप से देनी हो, वहाँ अधिक स्पष्टता से बोलता है।
② नया टर्न-टेकिंग सिस्टम (सुनने वाला पक्ष)
कब बोलना है और कब प्रतीक्षा करनी है, इसका निर्णय यह Scribe v2 Realtime के रीयल-टाइम सिग्नलों से लेता है।
यह सिर्फ़ ट्रांसक्राइब किए गए शब्दों को ही नहीं देखता, बल्कि यह भी समझता है कि बात किस अंदाज़ (लहज़े व स्वर के उतार-चढ़ाव) में कही गई है।
आधिकारिक दस्तावेज़ में दिया गया उदाहरण बहुत सहज और स्पष्ट है।
"हाँ" जैसा एक छोटा शब्द जवाब पूरा होने का संकेत भी हो सकता है और अपनी बात आगे जारी रखने का संकेत भी हो सकता है।
केवल लिखे हुए शब्दों को देखकर इनमें अंतर करना संभव नहीं है, लेकिन बोलने के अंदाज़ से भेद स्पष्ट हो जाता है। सिस्टम इसी आधार पर बीच में बोलने का सही समय निर्धारित करता है।
इसलिए जब आप एक्सप्रेसिव मोड सक्रिय करते हैं, तो आवाज़ में स्वाभाविक भावनाएँ जुड़ने के साथ-साथ बात बीच में कटने की समस्या भी कम हो जाती है।
⚙️ 2. इसे चालू करने के लिए बस एक मॉडल बदलना होता है
इसके लिए कोई अलग स्विच नहीं है। जैसे ही आप TTS मॉडल के रूप में V3 Conversational चुनते हैं, एक्सप्रेसिव मोड डिफ़ॉल्ट रूप से चालू हो जाता है।
डैशबोर्ड में
अपने एजेंट को खोलें, Agent Voice टैब पर जाएँ, Text to Speech मॉडल को बदलकर V3 Conversational करें और सहेज (सेव कर) दें—बस इतना ही करना है।
CLI में
elevenlabs agents pull --agent "<एजेंट-का-नाम>"डाउनलोड की गई agent_configs/<एजेंट-का-नाम>.json फ़ाइल में conversation_config.tts.model_id को इस प्रकार बदलें:
{
"conversation_config": {
"tts": {
"model_id": "eleven_v3_conversational"
}
}
}elevenlabs agents push --agent "<एजेंट-का-नाम>"
API में
from elevenlabs import ElevenLabs
elevenlabs = ElevenLabs()
elevenlabs.conversational_ai.agents.update(
agent_id="यहाँ_एजेंट_ID_दर्ज_करें",
conversation_config={
"tts": {"model_id": "eleven_v3_conversational"},
},
)
ElevenAgents निःशुल्क शुरू करें →
📝 3. टोन को सिस्टम प्रॉम्प्ट के ज़रिए निर्देशित करें
यदि आप केवल मॉडल बदलकर छोड़ देंगे, तो भावनाओं का दायरा तो बढ़ जाएगा, लेकिन कहाँ और कैसे किस टोन का उपयोग करना है, यह पूरी तरह मॉडल की मर्ज़ी पर निर्भर करेगा।
यदि आपके ब्रांड का कोई निश्चित लहज़ा या ग्राहक सेवा नियम हैं, तो निरंतरता बनाए रखने के लिए उन्हें सिस्टम प्रॉम्प्ट में लिखना आवश्यक है।
तरीका ①: केवल व्यापक दिशा-निर्देश देना
आप एक ग्राहक सहायता एजेंट हैं। यदि उपयोगकर्ता परेशान या नाराज़ प्रतीत हो,
तो शांत और आश्वस्त करने वाले लहज़े में उत्तर दें। जब कोई अच्छी ख़बर साझा कर रहे हों, तो आपकी आवाज़ में
सच्ची आत्मीयता और गर्मजोशी झलकनी चाहिए। कुल मिलाकर एक पेशेवर परंतु सहज और मिलनसार लहज़ा बनाए रखें।
तरीका ②: परिस्थिति के अनुसार स्पष्ट नियम निर्धारित करना
टोन संबंधी दिशा-निर्देश:
- यदि उपयोगकर्ता असंतोष व्यक्त करे, तो शांत और सहानुभूतिपूर्ण लहज़ा अपनाएँ
- तकनीकी प्रक्रियाओं को समझाते समय स्पष्ट और एकसमान गति से बोलें
- जब उपयोगकर्ता कोई अच्छी ख़बर दे, तो गर्मजोशी और उत्साह से प्रतिक्रिया दें
- शिकायतों का निपटारा करते समय संयमित रहें और समाधान पर केंद्रित होकर बात करें
आधिकारिक दस्तावेज़ में स्पष्ट कहा गया है कि हर परिस्थिति के लिए अलग से टैग लगाने की आवश्यकता नहीं है।
ऊपर दिए गए उदाहरण की तरह यदि आप इसे स्वाभाविक भाषा में लिख देंगे, तो मॉडल संदर्भ के अनुसार उसका अर्थ समझ लेगा।
व्यावहारिक दृष्टि से तरीका ② अधिक सुरक्षित है। यदि आपके उद्योग में ग्राहक संवाद के तय मानक हैं, तो "किस परिस्थिति में कौन सा टोन" वाक्य के रूप में दर्ज रखना बाद में समीक्षा करने के लिए भी आसान रहता है।
🏷️ 4. विशेष पलों को टैग के ज़रिए लक्षित करना
संदर्भ-आधारित नियंत्रण के अतिरिक्त, आप किसी विशिष्ट बिंदु को स्पष्ट रूप से इंगित भी कर सकते हैं।
इसके तहत LLM अपने उत्तर के भीतर सीधे टैग शामिल करता है।
[laughs]बातचीत में हल्की हँसी जोड़ता है[whispers]धीमी आवाज़ में फुसफुसाता है[sighs]आह या गहरी साँस का अहसास देता है[slow]बोलने की गति धीमी करता है[excited]उत्साह और उमंग का भाव लाता है
★ यही वह बिंदु है जहाँ सबसे ज़्यादा गलतफ़हमी होती है। एक अकेला टैग पूरे वाक्य का स्वरूप नहीं बदलता।
प्रत्येक टैग केवल अपने बाद आने वाले लगभग 4-5 शब्दों को ही प्रभावित करता है और उसके बाद आवाज़ अपनी मूल टोन में लौट आती है।
इसलिए यदि आप यह सोचकर वाक्य की शुरुआत में कोई टैग लगा देंगे कि पूरा वाक्य बदल जाएगा, तो परिणाम आपकी अपेक्षा के अनुरूप नहीं मिलेगा।
टैग को ठीक उस हिस्से के तुरंत पहले लगाना चाहिए जहाँ आप प्रभाव डालना चाहते हैं।
आधिकारिक दस्तावेज़ का उदाहरण इस प्रकार है:
"That's great to hear! [laughs] I'm glad we could sort that out for you."
यदि आप टैग का उपयोग पहली बार कर रहे हैं, तो v3 टैग पर विस्तार से चर्चा करने वाली हमारी ElevenLabs प्रॉम्प्ट संपूर्ण गाइड को पहले पढ़ना आपके लिए अधिक उपयोगी रहेगा।
उसमें हमने भावना और साउंड इफ़ेक्ट टैग से लेकर उच्चारण और ठहराव तक सब कुछ विस्तार से समझाया है।
⚠️ 5. चालू करने से पहले ध्यान देने योग्य सीमाएँ
आधिकारिक दस्तावेज़ में तीन सीमाओं का स्पष्ट उल्लेख किया गया है, जिनमें से पहली सीमा अत्यंत महत्वपूर्ण है।
① प्रोफ़ेशनल वॉयस क्लोनिंग (PVC) की विशिष्टताएँ सुरक्षित नहीं रहतीं
यदि आपने समय और संसाधन लगाकर अपने संस्थापक या किसी वॉइस आर्टिस्ट की आवाज़ का PVC क्लोन तैयार किया है, तो यह बिंदु आपके निर्णय को पूरी तरह प्रभावित कर सकता है।
Eleven v3 Conversational वर्तमान में PVC की विशेषताओं को भली-भाँति सुरक्षित नहीं रख पाता है।
संभव है कि परिणामी आवाज़ मूल आवाज़ जैसी न सुनाई दे।
आधिकारिक दस्तावेज़ की अनुशंसा भी बिल्कुल स्पष्ट है: यदि आवाज़ की मूल पहचान (PVC आइडेंटिटी) आपके लिए अधिक महत्वपूर्ण है, तो Flash v2 का उपयोग करें।
सरल शब्दों में, "स्वाभाविक भावनाएँ या व्यक्ति की मूल आवाज़"—आपको इन दोनों में से किसी एक को चुनना होगा। फ़िलहाल दोनों एक साथ संभव नहीं हैं।
② टैग का प्रभाव केवल 4-5 शब्दों तक रहता है
जैसा कि हमने ऊपर चर्चा की, यह पूरे लंबे वाक्य को एक साथ रूपांतरित करने के लिए नहीं है।
③ आवाज़ और भाषा के आधार पर अंतर देखने को मिलता है
समर्थित भाषाओं की संख्या 70 से अधिक हो गई है, जो Flash सीरीज़ की लगभग 32 भाषाओं की तुलना में काफ़ी बड़ा विस्तार है।
आधिकारिक दस्तावेज़ में विशेष रूप से उल्लेख किया गया है कि जापानी जैसी भाषाओं में, जहाँ पहले सूक्ष्म भाव कमज़ोर थे, अब काफ़ी सुधार हुआ है।
हालाँकि अभिव्यक्ति की क्षमता सभी भाषाओं में एकसमान नहीं है, इसका उल्लेख भी उसी दस्तावेज़ में है।
यदि आप हिंदी में बातचीत करने वाला एजेंट बना रहे हैं, तो जिस आवाज़ का वास्तव में उपयोग करना है, उसी आवाज़ में हिंदी में सीधे कई बार परीक्षण करके निर्णय लेना ही सही रहेगा। अंग्रेज़ी का डेमो बेहतरीन होने का यह अर्थ कदापि नहीं है कि हिंदी में भी परिणाम वैसा ही रहेगा।
💰 6. लागत में कोई वृद्धि नहीं होती
आश्चर्यजनक रूप से यह सवाल काफ़ी पूछा जाता है, लेकिन आधिकारिक FAQ का उत्तर है: "जी नहीं"।
Eleven v3 Conversational की कीमत एजेंट के अन्य TTS मॉडलों के समान दर पर ही है, जो प्रति मिनट $0.08 से शुरू होती है। एक्सप्रेसिव मोड चालू करने पर कोई अतिरिक्त शुल्क नहीं लगता।
कॉल वॉल्यूम के आधार पर प्रति माह कितना खर्च आएगा, इसका आकलन आप हमारे शुल्क कैलकुलेटर में मिनट दर्ज करके कर सकते हैं।
✍️ निष्कर्ष
संक्षेप में मुख्य बातें इस प्रकार हैं:
चालू करने का तरीका: TTS मॉडल को V3 Conversational पर सेट करें—बस इतना ही करना है
लहज़ा सँवारने का तरीका: परिस्थिति के अनुसार अपेक्षित टोन को सिस्टम प्रॉम्प्ट में वाक्यों के रूप में लिखें
लक्षित करने का तरीका: जिस स्थान पर प्रभाव चाहिए, ठीक उसके तुरंत पहले टैग लगाएँ (यह केवल 4-5 शब्दों तक प्रभावी रहता है)
निर्णय का नियम: यदि आप PVC का उपयोग कर रहे हैं, तो पहले दोनों की तुलना करके ही कोई निर्णय लें
पढ़ने के लिए धन्यवाद! ⚡