Was sind Eleven v3 Audio-Tags — und warum sind sie wichtig

Mit der Veröffentlichung von Eleven v3, ist Audio-Prompting zu einer wichtigen Fähigkeit geworden. Anstatt die gewünschten Worte einzugeben oder einzufügen, können Sie jetzt eine neue Funktion nutzen — Audio-Tags — um alles von Emotionen bis zur Darbietung zu steuern.

Eleven v3 ist eine Alpha-Version Forschungsvorschau des neuen Modells. Es erfordert mehr Prompt-Engineering als frühere Modelle — aber die Ergebnisse sind beeindruckend.

ElevenLabs Audio-Tags sind Wörter in eckigen Klammern, die das neue Eleven v3 Modell interpretieren und zur Steuerung der hörbaren Aktion verwenden kann. Sie können alles sein, von [aufgeregt], [flüstert] und [seufzt] bis hin zu [Schuss], [Applaus] und [Explosion].

Audio-Tags ermöglichen es Ihnen, den Klang von KI-Stimmen zu gestalten, einschließlich nonverbaler Hinweise wie Ton, Pausen und Tempo. Ob Sie immersive Hörbücher, interaktive Charaktere oder dialoggesteuerte Medien erstellen, diese einfachen Skript-Tools geben Ihnen präzise Kontrolle über Emotionen und Darbietung.

Leistung mit Audio-Tags steuern

Sie können Audio-Tags überall in Ihrem Skript platzieren, um die Darbietung in Echtzeit zu gestalten. Sie können auch Kombinationen von Tags innerhalb eines Skripts oder sogar eines Satzes verwenden. Tags fallen in Kernkategorien:

Emotionen

Diese Tags können Ihnen helfen, den emotionalen Ton der Stimme festzulegen — ob ernst, intensiv oder fröhlich. Zum Beispiel könnten Sie eine oder eine Kombination von [traurig], [wütend], [fröhlich] und [betrübt] verwenden.

Darbietungsrichtung

Diese beziehen sich mehr auf den Ton und die Darbietung. Sie können diese Tags verwenden, um Lautstärke und Energie für Szenen anzupassen, die Zurückhaltung oder Kraft erfordern. Beispiele sind: [flüstert], [schreit] und sogar [x Akzent].

Menschliche Reaktionen

Echte natürliche Sprache umfasst Reaktionen. Zum Beispiel können Sie dies verwenden, um Realismus hinzuzufügen, indem Sie natürliche, ungeskriptete Momente in die Sprache einbetten. Zum Beispiel: [lacht], [räuspert sich] und [seufzt].

Auf einem ausdrucksstärkeren Modell aufgebaut

Diese Funktionen basieren auf der neuen Architektur hinter v3. Das Modell versteht den Textkontext auf einer tieferen Ebene, was bedeutet, dass es emotionale Hinweise, Tonwechsel und Sprecherübergänge natürlicher folgen kann. In Kombination mit Audio-Tags wird eine größere Ausdruckskraft freigesetzt, als bisher im TTS möglich war.

Sie können jetzt auch Mehrsprecher-Dialoge erstellen, die spontan wirken — Unterbrechungen handhaben, Stimmungen wechseln und Gesprächsnuancen mit minimalem Anstoß bewältigen.

Jetzt verfügbar

Professionelle Voice Clones (PVCs) sind derzeit nicht vollständig für Eleven v3 optimiert, was zu einer potenziell geringeren Klonqualität im Vergleich zu früheren Modellen führen kann. In dieser Forschungs-Vorschauphase wäre es am besten, einen Instant Voice Clone (IVC) oder eine gestaltete Stimme für Ihr Projekt zu finden, wenn Sie v3-Funktionen nutzen müssen. Die PVC-Optimierung für v3 kommt in naher Zukunft.80% off until the end of June. Public API for Eleven v3 (alpha) is coming soon. For early access, please contact sales. Whether you’re experimenting or deploying at scale, now’s the time to explore what’s possible.