Аудіотеги Eleven v3: як режисувати виразні ШІ-голоси

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.

Словник аудіотегів

Таблиця нижче впорядковує всі основні категорії тегів із прикладами. Це вказівки, на які Eleven v3 надійно реагує в OmniArt.

Теги емоцій

Теги подачі

Теги персонажів і персон

Теги акцентів

Шпаргалка з тегів

Як написати розмічений сценарій: два приклади

Приклад 1 — емоційна начитка

Це короткий початок розділу аудіокниги. Теги змінюють настрій разом зі сценою.

[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] 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.

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.

Як користуватися аудіотегами в OmniArt

1. Перейдіть у режим «Аудіо» й виберіть вкладку «Мовлення».
2. Виберіть Eleven v3 у меню моделей. Вона доступна на тарифі Starter і вище.
3. 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.
4. Вставте свій розмічений сценарій у поле промпту. Eleven v3 приймає до 5 000 символів на генерацію.
5. Виберіть мову, яка відповідає вашому сценарію.
6. 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.

Коли брати Eleven v3, а коли інші моделі мовлення

В OmniArt доступні три моделі ElevenLabs. Ось коли варто братися за кожну.

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.