Аудіотеги Eleven v3: як режисувати виразні ШІ-голоси
Дізнайтеся, як користуватися аудіотегами ElevenLabs v3 — вказівками щодо емоції, подачі, акценту й персони у квадратних дужках — щоб режисувати виразну гру ШІ-голосу в OmniArt.
Більшість інструментів синтезу мовлення читають сценарій щоразу однаково: пласко, розмірено й трохи механічно. Eleven v3 інша. Вона розуміє емоційну фактуру вашого сценарію, а за допомогою аудіотегів ви можете дати їй явні вказівки — так само, як режисер озвучення підказує акторові перед дублем.
Аудіотеги — це короткі слова чи фрази у квадратних дужках, вписані просто у ваш сценарій. Вони кажуть моделі, як подати наступний рядок: прошепотіти, вигукнути, забарвити британським акцентом чи розірвати посеред речення зітханням. Цей посібник охоплює повний словник тегів, доступний в OmniArt, показує, як писати сценарії на кілька персонажів із їх використанням, і допомагає вирішити, коли Eleven v3 — правильна модель для завдання.
Що таке аудіотеги?#
Аудіотеги — це вбудовані вказівки у квадратних дужках: [whispers], [excited], [British accent] — поставлені в тому місці сценарію, де подача має змінитися. Eleven v3 розбирає їх як інструкції, а не як слова для промовляння, і відповідно коригує тон, темп та афект.
Ключова відмінність від старіших систем синтезу мовлення в тому, що v3 враховує контекст. Вона не просто накидає суцільний фільтр: вона зважує тег проти навколишнього речення, тож [sighs] перед «I suppose you're right» дає інший результат, ніж [sighs] перед «Fine, let's go». Саме ця чутливість до контексту робить розмічені сценарії зрежисованими, а не обробленими.
Порада
Словник аудіотегів#
Таблиця нижче впорядковує всі основні категорії тегів із прикладами. Це вказівки, на які Eleven v3 надійно реагує в OmniArt.
Теги емоцій#
| Тег | Ефект |
|---|---|
[excited] | Піднята енергія, швидший темп, світліший тон |
[sad] | Повільніша, нижча, стриманіша подача |
[angry] | Уривчасто, напористо, гучніше |
[nervous] | Дещо нерівний темп, загалом тихіше |
[happy] | Тепло, піднесено, відкритий резонанс |
[tired] | Повільніше, пласкіше, з меншим зусиллям |
[afraid] | Напружено, стримано, менше дихання |
[disgusted] | Плаский афект із легкою зневагою |
[surprised] | Вищий старт висоти, коротша фраза |
Теги подачі#
| Тег | Ефект |
|---|---|
[whispers] | Придихово, тихо, інтимно |
[shouting] | Гучно, з посилом, широкий резонанс |
[pause] | Тут вставляється природна пауза чи розрив |
[slowly] | Розтягнутий темп без зміни висоти |
[fast] | Стиснутий темп, більше енергії |
[sighs] | Чутний видих, вплетений у початок фрази |
[laughs] | Додає короткий природний сміх перед рядком або в ньому |
[crying] | Надламана, «мокра» якість подачі |
Теги персонажів і персон#
| Тег | Ефект |
|---|---|
[pirate voice] | Театрально, з гарчанням, перебільшена ритміка |
[robot voice] | Уривчасто, монотонно, синтетично |
[narrator] | Авторитетно, розмірено, документальний регістр |
[announcer] | З посилом, формально, ефірна якість |
[childlike] | Вища висота, коротші фрази, грайливо |
Теги акцентів#
| Тег | Ефект |
|---|---|
[British accent] | Якість Received Pronunciation |
[Southern US accent] | Теплі, розтягнуті голосні |
[Australian accent] | Висхідна інтонація наприкінці фрази |
[Irish accent] | Мелодійність, характерне огублення голосних |
[New York accent] | Уривчасті приголосні, носовий середній регістр |
Примітка
Шпаргалка з тегів#
| Призначення | Приклади тегів |
|---|---|
| Емоція — позитивна | [excited], [happy], [surprised] |
| Емоція — негативна | [sad], [angry], [tired], [afraid], [nervous] |
| Гучність і посил | [whispers], [shouting] |
| Темп | [slowly], [fast] |
| Природні звуки | [sighs], [laughs], [crying], [pause] |
| Регістр персонажа | [pirate voice], [robot voice], [narrator], [announcer], [childlike] |
| Акцент | [British accent], [Southern US accent], [Australian accent], [Irish accent], [New York accent] |
Як написати розмічений сценарій: два приклади#
Приклад 1 — емоційна начитка#
Це короткий початок розділу аудіокниги. Теги змінюють настрій разом зі сценою.
Тег [narrator] задає розмірений регістр від самого початку. [slowly] разом із [pause] створює драматичний простір. [tired] пригнічує подачу, а [whispers] стягує її вниз і робить інтимною. [sighs] додає фізичне дихання, завдяки якому останній рядок звучить заслужено.
Приклад 2 — діалог двох персонажів#
Eleven v3 тягне начитку кількома голосами з одного промпту. Використовуйте позначки персонажів і теги подачі, щоб розрізнити голоси.
Порада
Як користуватися аудіотегами в OmniArt#
- Перейдіть у режим «Аудіо» й виберіть вкладку «Мовлення».
- Виберіть Eleven v3 у меню моделей. Вона доступна на тарифі Starter і вище.
- Виберіть голосовий пресет. OmniArt пропонує 353 дібрані голоси в моделях мовлення. Гортайте за статтю та стилем: нижчі, авторитетніші пресети добре працюють для начитки, а світліші, середнього регістру, добре відгукуються на сильні теги емоцій.
- Вставте свій розмічений сценарій у поле промпту. Eleven v3 приймає до 5 000 символів на генерацію.
- Виберіть мову, яка відповідає вашому сценарію.
- Згенеруйте й прослухайте. Якщо тег спрацював надто сильно або надто слабко, змініть його позицію, додайте ще один тег, щоб скинути подачу, або спробуйте інший голосовий пресет.
Списання йде по 1 кредиту за кожні розпочаті 50 символів. Сценарій на 500 символів коштує 10 кредитів; сценарій на 5 000 символів — 100 кредитів. Неповні блоки по 50 символів округлюються вгору.
Попередження
Коли брати Eleven v3, а коли інші моделі мовлення#
В OmniArt доступні три моделі ElevenLabs. Ось коли варто братися за кожну.
| Сценарій | Найкраща модель | Причина |
|---|---|---|
| Емоційно різнопланова гра — персонаж, який сміється, плаче, кричить | Eleven v3 | Аудіотеги й чутливість до контексту дають найширший виразний діапазон |
| Стабільна багатомовна начитка (50+ мов) | Eleven Multilingual v2 | Рівна, стала подача в різних мовах; 10 000 символів на генерацію |
| Довгі сценарії зі швидким результатом | Eleven Turbo v2.5 | Низька затримка; 40 000 символів на генерацію по 1 кредиту за 100 символів |
| Ощадливий варіант або генерація на тарифі Free | MiniMax Speech 2.8 HD / Turbo | Доступні на тарифі Free; HD для чистового результату, Turbo для чернеток |
Корисна ментальна модель: беріть v3, коли сценарій вимагає гри і сама подача несе зміст. Беріть Multilingual v2, коли мета — зрозуміла начитка, яку легко слухати багатьма мовами. Беріть Turbo v2.5, коли у вас довгий і відносно нейтральний сценарій, а результат потрібен швидко.
Повні характеристики — на окремих сторінках моделей: Eleven v3, Eleven Multilingual v2, Eleven Turbo v2.5.
Поширені помилки в розмітці, яких варто уникати#
Надмір тегів: тег у кожному реченні згладжує варіативність. Теги емоцій б’ють сильніше, коли з’являються після відрізка нерозміченої, природної подачі. Використовуйте їх для піків і переходів, а не як постійний шар.
Суперечливі теги: [shouting] одразу після [whispers] без речення між ними здатне збити модель. Залишайте одне речення нейтральної подачі між сильними контрастами.
Теги акценту без тесту: відтворення акценту залежить від базового голосового пресета. Проженіть тестовий рядок на 50 символів, перш ніж застосовувати тег акценту до довгого сценарію.
Теги всередині слова: теги мають стояти між цілими словами або біля розділових знаків, а не всередині слова. Incre[excited]dible розібрати не вдасться — пишіть натомість [excited] Incredible.
Сценарії, яким це дає найбільше#
Аудіокниги з кількома персонажами: поєднання голосових пресетів і тегів подачі дає змогу відрізнити оповідача від персонажа й дати кожному персонажеві сталий емоційний підпис. Як побудувати повноцінне аудіовиробництво, показано в посібнику з озвучення на MiniMax Speech — процес там порівнянний.
Ігрові діалоги та інтерактивна проза: короткі влучні рядки із сильними тегами — [afraid] Stay back!, [laughs] You call that a plan? — створюють переконливих NPC без залучення акторів озвучення.
Начитка для YouTube з емоційним діапазоном: документальний чи пояснювальний матеріал, що рухається між драматичними відкриттями, гумористичними відступами й тихою рефлексією, виграє від змін подачі. Розмітьте переходи — і темп напишеться сам.
Медіа та трейлери, побудовані на діалозі: дві-три персонажні начитки з однієї генерації, кожна відрізнена голосовим пресетом і тегами, стискають діалогову сцену в один крок процесу.
Із чого почати в OmniArt#
Найшвидший спосіб виробити слух на можливості v3 — узяти добре знайомий вам сценарій (монолог, початок оповідання, кілька рядків ігрового діалогу) і розмітити його двічі: один раз легко, другий — з агресивними змінами подачі. Згенеруйте обидва й порівняйте. Різниця між ледь зрежисованим і повністю зрежисованим сценарієм зазвичай очевидна вже з першого речення.
Відкрийте Eleven v3 в OmniArt і вставте свій перший розмічений сценарій. Почніть із прикладу емоційної начитки вище, змініть голосовий пресет і подивіться, що зміниться. Щойно словник тегів стане звичним, модель почне відгукуватися, як справжня сесія звукозапису, — тільки без студії.
Ширший огляд усіх аудіомоделей, доступних в OmniArt, разом із музикою та звуковими ефектами — у повному посібнику з аудіопростору.
