Аудио-теги Eleven v3: как управлять выразительными ИИ-голосами

Большинство инструментов преобразования текста в речь читают сценарий одинаково каждый раз: монотонно, размеренно и слегка роботоподобно. Eleven v3 — другой. Он понимает эмоциональную текстуру вашего текста, а аудио-теги позволяют давать ему явные указания — так же, как звукорежиссёр инструктирует актёра перед записью.

Аудио-теги — это короткие слова или фразы в квадратных скобках, встроенные прямо в сценарий. Они указывают модели, как подать следующую реплику: прошептать, прокричать, окрасить британским акцентом или оборвать на середине фразы вздохом. В этом руководстве рассматривается полный словарь тегов, доступных на OmniArt, методика написания многоперсонажных сценариев с их использованием и критерии выбора Eleven v3 для конкретной задачи.

Что такое аудио-теги?

Аудио-теги — это встроенные режиссёрские указания в квадратных скобках — [whispers], [excited], [British accent] — в том месте сценария, где нужно изменить подачу. Eleven v3 интерпретирует их как инструкции, а не как слова для произнесения, и подстраивает тон, темп и интонацию соответствующим образом.

Ключевое отличие от старых систем синтеза речи состоит в том, что v3 учитывает контекст. Он не применяет универсальный фильтр: он соотносит тег с окружающим предложением, поэтому [sighs] перед «I suppose you're right» даёт иной результат, чем [sighs] перед «Fine, let's go.» Именно эта чувствительность к контексту делает сценарии с тегами направленными, а не просто обработанными.

Словарь аудио-тегов

В таблице ниже систематизированы основные категории тегов с примерами. Именно эти указания Eleven v3 надёжно распознаёт на OmniArt.

Теги эмоций

Теги подачи

Теги персонажа и роли

Теги акцентов

Таблица быстрого доступа

Написание сценария с тегами: два примера

Пример 1 — эмоциональная начитка

Это краткое начало для главы аудиокниги. Теги меняют настроение по ходу сцены.

[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.

Тег [narrator] задаёт размеренный регистр с самого начала. [slowly] в сочетании с [pause] создаёт драматическое пространство. [tired] утяжеляет подачу, после чего [whispers] переводит её в приглушённое, интимное звучание. [sighs] добавляет физическое дыхание, благодаря которому последняя фраза звучит выстраданно.

Пример 2 — диалог двух персонажей

Eleven v3 способен обрабатывать многоголосые чтения из одного промта. Используйте метки персонажей и теги подачи для разграничения голосов.

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.

Как использовать аудио-теги на OmniArt

1. Перейдите в аудио-режим и выберите вкладку «Речь» (Speech).
2. Выберите Eleven v3 в меню моделей. Доступно на тарифе STARTER и выше.
3. Выберите пресет голоса. OmniArt предлагает 353 отобранных голоса для речевых моделей. Просматривайте по полу и стилю — более низкие, авторитетные пресеты хорошо подходят для начитки; более яркие, средние пресеты отзывчивее к сильным тегам эмоций.
4. Вставьте сценарий с тегами в поле промта. Eleven v3 принимает до 5 000 символов на генерацию.
5. Установите язык в соответствии со сценарием.
6. Сгенерируйте и прослушайте. Если тег применяется избыточно или недостаточно — откорректируйте его позицию, добавьте новый тег для сброса подачи или попробуйте другой пресет голоса.

Тарификация: 1 кредит за каждый начатый блок из 50 символов. Сценарий на 500 символов стоит 10 кредитов; на 5 000 символов — 100 кредитов. Неполные блоки из 50 символов округляются вверх.

Когда использовать Eleven v3, а когда другие речевые модели

На OmniArt доступны три модели ElevenLabs. Рекомендации по выбору:

Полезная ментальная модель: используйте v3, когда сценарий требует игры и сама подача несёт смысловую нагрузку. Используйте Multilingual v2, когда цель — чёткая начитка, удобная для восприятия на разных языках. Используйте Turbo v2.5, когда у вас длинный, относительно нейтральный сценарий и нужны быстрые результаты.

Полные спецификации — на страницах моделей: Eleven v3, Eleven Multilingual v2, Eleven Turbo v2.5.

Распространённые ошибки при расстановке тегов

Избыточная разметка: если тег стоит в каждом предложении, вариативность выравнивается. Теги эмоций работают сильнее, когда появляются после отрезка естественной, немаркированной подачи. Используйте их для пиков и переходов, а не как постоянный слой.

Противоречивые теги: [shouting] сразу за которым следует [whispers] без промежуточного предложения может сбить модель с толку. Оставляйте хотя бы одно нейтральное предложение между сильными контрастами.

Теги акцентов без предварительного теста: результат зависит от базового пресета голоса. Прогоните тестовую строку из 50 символов, прежде чем применять тег акцента ко всему длинному сценарию.

Теги внутри слов: теги должны стоять между целыми словами или знаками препинания, а не внутри слова. Incre[excited]dible не распознается корректно — пишите [excited] Incredible.

Сценарии, где результат наиболее заметен

Аудиокниги с несколькими персонажами: сочетание пресетов голосов и тегов подачи позволяет разграничить рассказчика и персонажей, наделив каждого стабильной эмоциональной интонацией. Сопоставимый рабочий процесс для полноценной аудиопостановки описан в руководстве по озвучке MiniMax Speech.

Диалоги в играх и интерактивной прозе: короткие, ёмкие реплики с выразительными тегами — [afraid] Stay back!, [laughs] You call that a plan? — создают правдоподобных NPC без заказных актёров озвучки.

Закадровый голос для YouTube с широким эмоциональным диапазоном: документальный или обучающий ролик, чередующий драматические открытия, юмористические отступления и задумчивые паузы, выигрывает от смен подачи. Пометьте переходы — и темп сложится сам собой.

Диалоговые медиа и трейлеры: два-три персонажных прочтения из одной генерации, разграниченные пресетами голосов и тегами, упаковывают диалоговую сцену в один шаг рабочего процесса.

Начните на OmniArt

Самый быстрый способ почувствовать возможности v3 — взять хорошо знакомый сценарий — монолог, начало рассказа, несколько реплик из игры — и разметить его дважды: сначала с минимальной разметкой, затем с агрессивными сменами подачи. Сгенерируйте оба варианта и сравните. Разница между слегка режиссированным и полностью режиссированным сценарием обычно очевидна с первой фразы.

Откройте Eleven v3 на OmniArt и вставьте свой первый сценарий с тегами. Начните с примера эмоциональной начитки выше, смените пресет голоса и посмотрите, что изменится. Как только словарь тегов станет привычным, модель будет реагировать так же чутко, как настоящая запись в студии, — без студии.

Для полного обзора всех аудиомоделей на OmniArt, включая музыку и звуковые эффекты, смотрите полное руководство по аудиопространству.