Tagi audio Eleven v3: reżyserowanie ekspresyjnych głosów AI

Większość narzędzi do syntezy mowy czyta skrypt za każdym razem tak samo: płasko, miarowo i lekko robotycznie. Eleven v3 działa inaczej. Rozumie emocjonalną fakturę skryptu, a dzięki tagom audio możesz dawać mu jasne wskazówki — tak, jak reżyser głosu prowadzi wykonawcę przed ujęciem.

Tagi audio to krótkie słowa lub frazy w nawiasach kwadratowych, osadzone bezpośrednio w skrypcie. Mówią modelowi, jak wypowiedzieć następną kwestię: szeptem, krzykiem, z brytyjskim akcentem albo z westchnieniem w środku zdania. Ten poradnik omawia pełny słownik tagów dostępnych w OmniArt, pokazuje, jak pisać skrypty z wieloma postaciami, które z nich korzystają, i pomaga zdecydować, kiedy Eleven v3 jest właściwym modelem do zadania.

Czym są tagi audio?

Tagi audio to wstawiane w tekst wskazówki reżyserskie w nawiasach kwadratowych — [whispers], [excited], [British accent] — umieszczone w tym miejscu skryptu, w którym ma zmienić się sposób mówienia. Eleven v3 odczytuje je jako instrukcje, a nie słowa do wypowiedzenia, i odpowiednio dostosowuje ton, tempo oraz afekt.

Najważniejsza różnica względem starszych narzędzi do syntezy mowy polega na tym, że v3 interpretuje kontekst. Nie nakłada po prostu jednego filtra na całość: waży tag względem otaczającego zdania, więc [sighs] przed „Chyba masz rację” daje inny rezultat niż [sighs] przed „Dobrze, chodźmy”. Ta wrażliwość na kontekst sprawia, że skrypty z tagami brzmią jak reżyserowane, a nie tylko przetworzone.

Słownik tagów audio

Poniższa tabela porządkuje każdą główną kategorię tagów i przykłady. To wskazówki, na które Eleven v3 niezawodnie reaguje w OmniArt.

Tagi emocji

Tagi sposobu mówienia

Tagi postaci i persony

Tagi akcentu

Ściąga z tagów

Pisanie skryptu z tagami: dwa przykłady

Przykład 1 — emocjonalna narracja

To krótkie otwarcie rozdziału audiobooka. Tagi zmieniają nastrój wraz ze zmianą sceny.

[narrator] The city had been quiet for three days.

[slowly] Not the quiet of peace — [pause] the quiet of waiting.

[tired] Maya poured her fourth cup of coffee and stared at the map pinned to the wall.

[whispers] They had to be out there somewhere.

[sighs] She just needed one more lead.

Tag narratora ustawia od początku miarowy rejestr. [slowly] razem z [pause] tworzy dramatyczną przestrzeń. [tired] obniża energię wypowiedzi, zanim [whispers] sprowadzi ją nisko i intymnie. [sighs] dodaje fizyczny oddech, dzięki któremu finałowa linia brzmi na zasłużoną.

Przykład 2 — dialog dwóch postaci

Eleven v3 potrafi obsłużyć czytanie wielu mówców z jednego promptu. Użyj etykiet postaci i tagów sposobu mówienia, aby odróżnić każdy głos.

CAPTAIN (VOICE A): [excited] We found it. [pause] The actual coordinates — right where the old chart said they'd be.

FIRST MATE (VOICE B): [nervous] Sir, that chart is four hundred years old. Half of it is sea monsters drawn by someone who'd never left port.

CAPTAIN (VOICE A): [laughs] Exactly! [fast] Which means no one else thought it was worth following. Get the crew up.

FIRST MATE (VOICE B): [sighs] [slowly] Aye, captain.

Jak używać tagów audio w OmniArt

1. Przejdź do trybu audio i wybierz kartę mowy.
2. Wybierz Eleven v3 z menu modeli. Jest dostępny w planie Starter i wyższych.
3. Wybierz wariant głosu. OmniArt oferuje 353 starannie dobrane głosy w różnych modelach mowy. Przeglądaj je według płci i stylu — głębsze, bardziej autorytatywne warianty dobrze sprawdzają się w narracji; jaśniejsze warianty ze średniego zakresu dobrze reagują na mocne tagi emocji.
4. Wklej skrypt z tagami w polu promptu. Eleven v3 przyjmuje do 5 000 znaków na jedno generowanie.
5. Ustaw język zgodny ze skryptem.
6. Wygeneruj i odsłuchaj. Jeśli tag działa za mocno albo za słabo, przesuń go, dodaj kolejny tag resetujący sposób mówienia albo spróbuj innego wariantu głosu.

Rozliczenie wynosi 1 kredyt za każdy rozpoczęty blok 50 znaków. Skrypt o długości 500 znaków kosztuje 10 kredytów; skrypt o długości 5 000 znaków kosztuje 100 kredytów. Niepełne bloki 50 znaków są zaokrąglane w górę.

Kiedy używać Eleven v3, a kiedy innych modeli mowy

W OmniArt dostępne są trzy modele ElevenLabs. Oto sytuacje, w których warto sięgnąć po każdy z nich.

Przydatny model myślowy: używaj v3, gdy skrypt potrzebuje wykonania, a sam sposób mówienia niesie znaczenie. Używaj Multilingual v2, gdy celem jest klarowna narracja łatwa do śledzenia w wielu językach. Używaj Turbo v2.5, gdy masz długi, względnie neutralny skrypt i potrzebujesz szybkich wyników.

Pełne specyfikacje znajdziesz na osobnych stronach modeli: Eleven v3, Eleven Multilingual v2, Eleven Turbo v2.5.

Typowe błędy przy tagowaniu, których warto uniknąć

Zbyt wiele tagów: dodanie tagu do każdego zdania spłaszcza zmienność. Tagi emocji działają mocniej, gdy pojawiają się po fragmencie nieoznaczonego, naturalnego sposobu mówienia. Używaj ich do szczytów i przejść, a nie jako stałej warstwy.

Sprzeczne tagi: [shouting] bezpośrednio po którym następuje [whispers], bez zdania między nimi, może zdezorientować model. Zostaw zdanie neutralnego sposobu mówienia między mocnymi kontrastami.

Tagi akcentu bez testu: odwzorowanie akcentu zależy od bazowego wariantu głosu. Uruchom linię testową o długości 50 znaków, zanim zastosujesz tag akcentu w całym długim skrypcie.

Tagi w środku słowa: tagi muszą stać między pełnymi słowami albo znakami interpunkcyjnymi, nie wewnątrz słowa. Incre[excited]dible nie zostanie poprawnie sparsowane — zamiast tego napisz [excited] Incredible.

Zastosowania, które zyskują najwięcej

Audiobooki z wieloma postaciami: połączenie wariantów głosu i tagów sposobu mówienia pozwala odróżnić narratora od postaci i nadać każdej postaci spójną sygnaturę emocjonalną. Zobacz, jak zbudować pełną produkcję audio w poradniku lektorskim MiniMax Speech, który pokazuje porównywalny proces.

Dialogi w grach i fikcja interaktywna: krótkie, mocne kwestie z wyrazistymi tagami — [afraid] Stay back!, [laughs] You call that a plan? — tworzą wiarygodnych NPC bez niestandardowych aktorów głosowych.

Narracja na YouTube z zakresem emocji: dokument albo materiał wyjaśniający, który przechodzi między dramatycznymi odkryciami, żartobliwymi wtrąceniami i cichą refleksją, korzysta na zmianach sposobu mówienia. Otaguj przejścia, a tempo samo zacznie układać się w rytm.

Media i trailery oparte na dialogu: czytanie dwóch lub trzech postaci z jednego generowania, gdzie każdą odróżnia wariant głosu i tagi, zamyka scenę dialogową w jednym kroku procesu.

Jak zacząć w OmniArt

Najszybszy sposób, aby wyczuć możliwości v3, to wziąć dobrze znany skrypt — monolog, otwarcie krótkiego opowiadania, kilka kwestii z gry — i otagować go dwa razy: raz lekko, raz z agresywnymi zmianami sposobu mówienia. Wygeneruj oba warianty i porównaj. Różnica między lekko wyreżyserowanym a w pełni wyreżyserowanym skryptem zwykle jest oczywista już w pierwszym zdaniu.

Otwórz Eleven v3 w OmniArt i wklej swój pierwszy skrypt z tagami. Zacznij od powyższego przykładu emocjonalnej narracji, podmień wariant głosu i zobacz, co się zmienia. Gdy słownik tagów zaczyna brzmieć naturalnie, model zaczyna reagować niemal jak podczas prawdziwej sesji nagraniowej — bez studia.

Szerszy przegląd wszystkich modeli audio dostępnych w OmniArt, w tym muzyki i efektów dźwiękowych, znajdziesz w pełnym przewodniku po przestrzeni audio.