Best Practices

Dieser Leitfaden bietet Techniken, um Text-to-Speech-Ausgaben mit ElevenLabs-Modellen zu verbessern. Experimentieren Sie mit diesen Methoden, um herauszufinden, was für Ihre Anforderungen am besten funktioniert.

Steuerung

Diese Techniken bieten eine praktische Möglichkeit, differenzierte Ergebnisse zu erzielen, bis erweiterte Funktionen wie der Director’s Mode verfügbar sind.

Pausen

Verwenden Sie <break time="x.xs" /> für natürliche Pausen von bis zu 3 Sekunden.

"Hold on, let me think." <break time="1.5s" /> "Alright, I've got it."

• Konsistenz: Verwenden Sie <break>-Tags einheitlich, um einen natürlichen Sprachfluss zu erhalten. Übermäßige Verwendung kann zu Instabilität führen.
• Stimmenspezifisches Verhalten: Verschiedene Stimmen können Pausen unterschiedlich behandeln, insbesondere Stimmen, die mit Fülllauten wie „uh“ oder „ah“ trainiert wurden.

Alternativen zu <break> sind Bindestriche (- oder —) für kurze Pausen oder Auslassungspunkte (…) für zögerliche Töne. Diese sind jedoch weniger konsistent.

"It… well, it might work." "Wait — what's that noise?"

Aussprache

IPA mit Eleven v3

Das Modell Eleven v3 (eleven_v3) unterstützt die Transkription mit dem Internationalen Phonetischen Alphabet (IPA) nativ in über 70 Sprachen. Damit können Sie die Aussprache von Wörtern und Phrasen präzise steuern, ohne XML-Tags zu verwenden.

Anders als ältere Modelle, die Phonem-Tags im XML-Stil erfordern, versteht v3 IPA-Symbole nativ, wenn Sie sie direkt in Ihrem Text in Schrägstriche einschließen:

"/IPA_transcription/"

Die IPA-Transkription sollte:

• am Anfang und Ende in Schrägstriche (/) eingeschlossen sein
• mit standardmäßigen IPA-Symbolen geschrieben sein
• bei der Übergabe als String-Parameter in doppelte Anführungszeichen eingeschlossen sein

Codebeispiele

from elevenlabs import ElevenLabs
client = ElevenLabs()
audio = client.text_to_speech.convert(
    voice_id="21m00Tcm4TlvDq8ikWAM",
    text='The term "/ˌbaɪoʊˈkemɪstri/" refers to the study of chemical processes.',
    model_id="eleven_v3",
)

Sie können mehrere IPA-Transkriptionen in einem einzelnen Textstring verwenden:

from elevenlabs import ElevenLabs
client = ElevenLabs()
text = 'The medication "/ɡluːˈkoʊs/" and "/ˌɪnsjəˈlɪn/" are commonly used to manage conditions like "/ˌdaɪəˈbiːtiːz/".'
audio = client.text_to_speech.convert(
    voice_id="21m00Tcm4TlvDq8ikWAM",
    text=text,
    model_id="eleven_v3",
)

Leistung

Die IPA-Unterstützung von v3 erreicht eine Aussprachekonsistenz von 80–90 %. Sie ist deutlich zuverlässiger als die XML-Phonem-Tags von v2, aber nicht zu 100 % konsistent. Das Modell kann gelegentlich Schwierigkeiten mit bestimmten Wörtern haben oder selbst bei identischen IPA-Transkriptionen unterschiedliche Ausgaben erzeugen. Wir verbessern die Zuverlässigkeit von IPA fortlaufend.

Best Practices

• Verwenden Sie standardmäßige IPA-Symbole aus der Tabelle des Internationalen Phonetischen Alphabets
• Verwenden Sie Betonungszeichen: Hauptbetonung (ˈ) und Nebenbetonung (ˌ) für mehrsilbige Wörter
• Gezielt anwenden: Umschließen Sie nur bestimmte Wörter oder Phrasen, deren Aussprache gesteuert werden muss
• Mit Ihrer Stimme testen: Verschiedene Stimmen können IPA leicht unterschiedlich interpretieren

Fehlerbehebung

Phonem-Tags für v2-Modelle

Geben Sie die Aussprache bei v2-Modellen mit SSML-Phonem-Tags an. Unterstützte Alphabete umfassen CMU Arpabet und das Internationale Phonetische Alphabet (IPA).

<phoneme alphabet="cmu-arpabet" ph="M AE1 D IH0 S AH0 N">
  Madison
</phoneme>

Für konsistente und vorhersehbare Ergebnisse mit v2-Modellen empfehlen wir CMU Arpabet. IPA kann zwar effektiv sein, CMU Arpabet bietet jedoch im Allgemeinen zuverlässigere Ergebnisse.

Phonem-Tags funktionieren nur für einzelne Wörter. Wenn Sie einen Vor- und Nachnamen haben, der auf eine bestimmte Weise ausgesprochen werden soll, müssen Sie für jedes Wort ein Phonem-Tag erstellen.

Achten Sie bei mehrsilbigen Wörtern auf die korrekte Betonungsmarkierung, damit die Aussprache präzise bleibt:

<phoneme alphabet="cmu-arpabet" ph="P R AH0 N AH0 N S IY EY1 SH AH0 N">
  pronunciation
</phoneme>

Alias-Tags

Für Modelle, die keine Phonem-Tags unterstützen, können Sie versuchen, Wörter phonetischer zu schreiben. Sie können auch verschiedene Tricks einsetzen, etwa Großbuchstaben, Bindestriche, Apostrophe oder sogar einfache Anführungszeichen um einen einzelnen Buchstaben oder mehrere Buchstaben.

Ein Wort wie „trapezii“ könnte beispielsweise als „trapezIi“ geschrieben werden, um das „ii“ im Wort stärker zu betonen.

Sie können das Wort entweder direkt in Ihrem Text ersetzen. Wenn Sie bei der Verwendung eines Aussprachewörterbuchs die Aussprache durch andere Wörter oder Phrasen angeben möchten, können Sie dafür Alias-Tags verwenden. Das kann nützlich sein, wenn Sie mit Multilingual v2 generieren, das keine Phonem-Tags unterstützt. Sie können Aussprachewörterbücher mit ElevenCreative Studio, Synchronisationsstudio und Sprachsynthese über die API verwenden.

Wenn Ihr Text beispielsweise einen Namen enthält, dessen ungewöhnliche Aussprache für die KI schwierig sein könnte, können Sie mit einem Alias-Tag festlegen, wie er ausgesprochen werden soll:

  <lexeme>
    <grapheme>Claughton</grapheme>
    <alias>Cloffton</alias>
  </lexeme>

Wenn Sie sicherstellen möchten, dass ein Akronym bei jedem Vorkommen in Ihrem Text auf eine bestimmte Weise gesprochen wird, können Sie dies mit einem Alias-Tag festlegen:

  <lexeme>
    <grapheme>UN</grapheme>
    <alias>United Nations</alias>
  </lexeme>

Aussprachewörterbücher

Einige unserer Tools, etwa ElevenCreative Studio und Synchronisationsstudio, ermöglichen es Ihnen, ein Aussprachewörterbuch zu erstellen und hochzuladen. Damit können Sie die Aussprache bestimmter Wörter wie Charakter- oder Markennamen festlegen oder bestimmen, wie Akronyme gelesen werden sollen.

Aussprachewörterbücher ermöglichen diese Funktion, indem Sie eine Lexikon- oder Wörterbuchdatei hochladen, die Wortpaare und ihre Aussprache festlegt – entweder über ein phonetisches Alphabet oder Wortersetzungen.

Immer wenn eines dieser Wörter in einem Projekt vorkommt, spricht das KI-Modell das Wort mit der angegebenen Ersetzung aus.

Um eine Aussprachewörterbuchdatei bereitzustellen, öffnen Sie die Einstellungen eines Projekts und laden Sie eine Datei im TXT- oder im .PLS-Format hoch. Wenn Sie einem Projekt ein Wörterbuch hinzufügen, wird automatisch neu berechnet, welche Teile des Projekts mit der neuen Wörterbuchdatei erneut konvertiert werden müssen. Diese werden als nicht konvertiert markiert.

Derzeit unterstützen wir nur Aussprachewörterbücher, die Ersetzungen mit Phonem- oder Alias-Tags festlegen.

Sowohl Phoneme als auch Aliasse sind Regelsets, die ein gesuchtes Wort oder eine Phrase festlegen, das beziehungsweise die als Graphem bezeichnet wird, sowie die entsprechende Ersetzung. Beachten Sie, dass die Suche zwischen Groß- und Kleinschreibung unterscheidet. Bei der Suche nach einem Ersatzwort in einem Aussprachewörterbuch wird das Wörterbuch von Anfang bis Ende geprüft und nur die allererste Ersetzung verwendet.

Beispiele für Aussprachewörterbücher

Hier sind Beispiele für Aussprachewörterbücher in CMU Arpabet und IPA. Sie enthalten ein Phonem zur Festlegung der Aussprache von „Apple“ und einen Alias, der „UN“ durch „United Nations“ ersetzt:

<?xml version="1.0" encoding="UTF-8"?>
<lexicon version="1.0"
      xmlns="http://www.w3.org/2005/01/pronunciation-lexicon"
      xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
      xsi:schemaLocation="http://www.w3.org/2005/01/pronunciation-lexicon
        http://www.w3.org/TR/2007/CR-pronunciation-lexicon-20071212/pls.xsd"
      alphabet="cmu-arpabet" xml:lang="en-GB">
  <lexeme>
    <grapheme>apple</grapheme>
    <phoneme>AE P AH L</phoneme>
  </lexeme>
  <lexeme>
    <grapheme>UN</grapheme>
    <alias>United Nations</alias>
  </lexeme>
</lexicon>

Zum Erstellen einer .pls-Datei für ein Aussprachewörterbuch stehen einige Open-Source-Tools zur Verfügung:

• Sequitur G2P – Open-Source-Tool, das Aussprachemuster aus Daten lernt und phonetische Transkriptionen erstellen kann.
• Phonetisaurus – Open-Source-G2P-System, das mit bestehenden Wörterbüchern wie CMUdict trainiert wurde.
• eSpeak – Sprachsynthesizer, der Phonem-Transkriptionen aus Text erstellen kann.
• CMU Pronouncing Dictionary – Vorgefertigtes englisches Wörterbuch mit phonetischen Transkriptionen.

Emotion

Vermitteln Sie Emotionen durch erzählerischen Kontext oder explizite Dialog-Tags. So kann die KI den nachzuahmenden Ton und die Emotion besser verstehen.

You're leaving?" she asked, her voice trembling with sadness. "That's it!" he exclaimed triumphantly.

Explizite Dialog-Tags liefern vorhersehbarere Ergebnisse, als sich ausschließlich auf den Kontext zu verlassen. Das Modell spricht die Hinweise zur emotionalen Darbietung jedoch weiterhin mit. Falls unerwünscht, können diese in der Nachbearbeitung mit einem Audioeditor entfernt werden.

Tempo

Das Tempo des Audios wird stark durch das Audio beeinflusst, das zur Erstellung der Stimme verwendet wird. Beim Erstellen Ihrer Stimme empfehlen wir längere, zusammenhängende Samples, um Probleme wie unnatürlich schnelles Sprechen zu vermeiden.

Um die Geschwindigkeit des generierten Audios zu steuern, können Sie die Geschwindigkeitseinstellung verwenden. Damit können Sie die generierte Sprache beschleunigen oder verlangsamen. Die Geschwindigkeitseinstellung ist für Text to Speech über die Website und API sowie in ElevenCreative Studio und auf der Agents Platform verfügbar. Sie finden sie in den Stimmeinstellungen.

Der Standardwert ist 1.0. Das bedeutet, dass die Geschwindigkeit nicht angepasst wird. Werte unter 1.0 verlangsamen die Stimme bis zu einem Minimum von 0.7. Werte über 1.0 beschleunigen die Stimme bis zu einem Maximum von 1.2. Extreme Werte können die Qualität der generierten Sprache beeinträchtigen.

Das Tempo lässt sich auch durch einen natürlichen, erzählerischen Schreibstil steuern.

"I… I thought you'd understand," he said, his voice slowing with disappointment.

Tipps

Kreative Kontrolle

Während wir aktiv einen „Director’s Mode“ entwickeln, um Nutzern noch mehr Kontrolle über Ausgaben zu geben, können Sie mit den folgenden Techniken Kreativität und Präzision maximieren:

Textnormalisierung

Bei der Nutzung von Text to Speech mit komplexen Elementen wie Telefonnummern, Postleitzahlen und E-Mails kann es zu falscher Aussprache kommen. Das liegt oft daran, dass diese Elemente nicht im Trainingsdatensatz enthalten sind und kleinere Modelle ihre Aussprache nicht zuverlässig verallgemeinern können. Dieser Leitfaden erklärt, wann diese Abweichungen auftreten und wie Sie die korrekte Aussprache erzielen.

Warum lesen Modelle Eingaben unterschiedlich vor?

Bestimmte Modelle sind darauf trainiert, Zahlen und Formulierungen menschlicher vorzulesen. So wird die Formulierung “$1,000,000” vom Modell Eleven Multilingual v2 korrekt als “one million dollars” vorgelesen. Das Modell Eleven Flash v2.5 liest dieselbe Formulierung jedoch als “one thousand thousand dollars” vor.

Der Grund dafür ist, dass Multilingual v2 ein größeres Modell ist und das Vorlesen von Zahlen auf eine für menschliche Zuhörer natürlichere Weise besser verallgemeinern kann. Flash v2.5 ist hingegen deutlich kleiner und kann das daher nicht.

Häufige Beispiele

Text to Speech-Modelle können mit Folgendem Schwierigkeiten haben:

• Telefonnummern (“123-456-7890”)
• Währungen (“$47,345.67”)
• Kalenderereignissen (“2024-01-01”)
• Uhrzeiten (“9:23 AM”)
• Adressen (“123 Main St, Anytown, USA”)
• URLs (“example.com/link/to/resource”)
• Abkürzungen für Einheiten (“TB” statt “Terabyte”)
• Tastenkürzeln (“Ctrl + Z”)

Maßnahmen

Trainierte Modelle verwenden

Am einfachsten lässt sich dies vermeiden, indem Sie ein TTS-Modell verwenden, das Zahlen und Formulierungen menschlicher vorliest, etwa Eleven Multilingual v2. Das ist jedoch nicht immer möglich, beispielsweise wenn geringe Latenz entscheidend ist, etwa bei Conversational Agents.

Normalisierung in LLM-Prompts anwenden

Wenn Sie ein LLM verwenden, um Text für TTS zu erzeugen, können Sie dem Prompt Anweisungen zur Normalisierung hinzufügen.

Alles zusammenführen

Dieser Prompt ist für die meisten Anwendungsfälle ein guter Ausgangspunkt:

Convert the output text into a format suitable for text-to-speech. Ensure that numbers, symbols, and abbreviations are expanded for clarity when read aloud. Expand all abbreviations to their full spoken forms.
Example input and output:
"$42.50" → "forty-two dollars and fifty cents"
"£1,001.32" → "one thousand and one pounds and thirty-two pence"
"1234" → "one thousand two hundred thirty-four"
"3.14" → "three point one four"
"555-555-5555" → "five five five, five five five, five five five five"
"2nd" → "second"
"XIV" → "fourteen" - unless it's a title, then it's "the fourteenth"
"3.5" → "three point five"
"⅔" → "two-thirds"
"Dr." → "Doctor"
"Ave." → "Avenue"
"St." → "Street" (but saints like "St. Patrick" should remain)
"Ctrl + Z" → "control z"
"100km" → "one hundred kilometers"
"100%" → "one hundred percent"
"elevenlabs.io/docs" → "eleven labs dot io slash docs"
"2024-01-01" → "January first, two-thousand twenty-four"
"123 Main St, Anytown, USA" → "one two three Main Street, Anytown, United States of America"
"14:30" → "two thirty PM"
"01/02/2023" → "January second, two-thousand twenty-three" or "the first of February, two-thousand twenty-three", depending on locale of the user

Reguläre Ausdrücke zur Vorverarbeitung verwenden

Wenn Sie Code verwenden, um ein LLM zu prompten, können Sie reguläre Ausdrücke nutzen, um den Text vor der Übergabe an das Modell zu normalisieren. Dies ist eine fortgeschrittenere Technik und erfordert Kenntnisse über reguläre Ausdrücke. Hier sind einige einfache Beispiele:

# Be sure to install the inflect library before running this code
import inflect
import re
# Initialize inflect engine for number-to-word conversion
p = inflect.engine()
def normalize_text(text: str) -> str:
    # Convert monetary values
    def money_replacer(match):
        currency_map = {"$": "dollars", "£": "pounds", "€": "euros", "¥": "yen"}
        currency_symbol, num = match.groups()
        # Remove commas before parsing
        num_without_commas = num.replace(',', '')
        # Check for decimal points to handle cents
        if '.' in num_without_commas:
            dollars, cents = num_without_commas.split('.')
            dollars_in_words = p.number_to_words(int(dollars))
            cents_in_words = p.number_to_words(int(cents))
            return f"{dollars_in_words} {currency_map.get(currency_symbol, 'currency')} and {cents_in_words} cents"
        else:
            # Handle whole numbers
            num_in_words = p.number_to_words(int(num_without_commas))
            return f"{num_in_words} {currency_map.get(currency_symbol, 'currency')}"
    # Regex to handle commas and decimals
    text = re.sub(r"([$£€¥])(\d+(?:,\d{3})*(?:\.\d{2})?)", money_replacer, text)
    # Convert phone numbers
    def phone_replacer(match):
        return ", ".join(" ".join(p.number_to_words(int(digit)) for digit in group) for group in match.groups())
    text = re.sub(r"(\d{3})-(\d{3})-(\d{4})", phone_replacer, text)
    return text
# Example usage
print(normalize_text("$1,000"))   # "one thousand dollars"
print(normalize_text("£1000"))   # "one thousand pounds"
print(normalize_text("€1000"))   # "one thousand euros"
print(normalize_text("¥1000"))   # "one thousand yen"
print(normalize_text("$1,234.56"))   # "one thousand two hundred thirty-four dollars and fifty-six cents"
print(normalize_text("555-555-5555"))  # "five five five, five five five, five five five five"

Eleven v3 prompten

Dieser Leitfaden zeigt die effektivsten Tags und Techniken für das Prompting mit Eleven v3, einschließlich Stimmenauswahl, Änderungen der Groß- und Kleinschreibung, Zeichensetzung, Audiotags und Dialogen mit mehreren Sprechern. Experimentieren Sie mit diesen Methoden, um herauszufinden, was für Ihre Stimme und Ihren Anwendungsfall am besten funktioniert.

Stimmenauswahl

Der wichtigste Parameter für Eleven v3 ist die gewählte Stimme. Sie muss der gewünschten Sprechweise ausreichend ähneln. Wenn die Stimme beispielsweise schreit und Sie das Audiotag [whispering] verwenden, wird es wahrscheinlich nicht gut funktionieren.

Beim Erstellen von IVCs sollten Sie eine größere emotionale Bandbreite als bisher einbeziehen. Daher können Stimmen in der Stimmbibliothek im Vergleich zu den Modellen v2 und v2.5 variablere Ergebnisse liefern. Wir haben eine kuratierte Sammlung von Stimmen für V3 zusammengestellt.

Wählen Sie Stimmen strategisch nach Ihrem geplanten Einsatz:

Einstellungen

Stabilität

Der Stabilitätsregler ist die wichtigste Einstellung in v3. Er steuert, wie eng die generierte Stimme am ursprünglichen Referenzaudio bleibt.

• Kreativ: Emotionaler und ausdrucksstärker, aber anfällig für Halluzinationen.
• Natürlich: Der ursprünglichen Sprachaufnahme am ähnlichsten – ausgewogen und neutral.
• Robust: Sehr stabil, reagiert jedoch weniger auf Anweisungen; konsistent und ähnlich wie v2.

Audiotags

Eleven v3 führt emotionale Steuerung durch Audiotags ein. Sie können Stimmen anweisen zu lachen, zu flüstern, sarkastisch zu sprechen oder Neugier auszudrücken – neben vielen weiteren Stilen. Auch die Geschwindigkeit wird über Audiotags gesteuert.

Stimmbezogen

Diese Tags steuern die stimmliche Darbietung und den emotionalen Ausdruck:

• [laughs], [laughs harder], [starts laughing], [wheezing]
• [whispers]
• [sighs], [exhales]
• [sarcastic], [curious], [excited], [crying], [snorts], [mischievously]

[whispers] I never knew it could be this way, but I'm glad we're here.

Soundeffekte

Fügen Sie Umgebungsgeräusche und Effekte hinzu:

• [gunshot], [applause], [clapping], [explosion]
• [swallows], [gulps]

[applause] Thank you all for coming tonight! [gunshot] What was that?

Einzigartig und speziell

Experimentelle Tags für kreative Anwendungen:

• [strong X accent] (ersetzen Sie X durch den gewünschten Akzent)
• [sings], [woo], [fart]

[strong French accent] "Zat's life, my friend — you can't control everysing."

Zeichensetzung

Die Zeichensetzung beeinflusst die Sprechweise in v3 erheblich:

• Auslassungspunkte (…) fügen Pausen und Gewichtung hinzu
• Großschreibung verstärkt die Betonung
• Standardzeichensetzung sorgt für einen natürlichen Sprechrhythmus

"It was a VERY long day [sigh] … nobody listens anymore."

Beispiele mit einem Sprecher

Verwenden Sie Tags gezielt und passen Sie sie an den Charakter der Stimme an. Eine meditative Stimme sollte nicht schreien; eine energiegeladene Stimme wird nicht überzeugend flüstern.

"Okay, you are NOT going to believe this.
You know how I've been totally stuck on that short story?
Like, staring at the screen for HOURS, just... nothing?
[frustrated sigh] I was seriously about to just trash the whole thing. Start over.
Give up, probably. But then!
Last night, I was just doodling, not even thinking about it, right?
And this one little phrase popped into my head. Just... completely out of the blue.
And it wasn't even for the story, initially.
But then I typed it out, just to see. And it was like... the FLOODGATES opened!
Suddenly, I knew exactly where the character needed to go, what the ending had to be...
It all just CLICKED. [happy gasp] I stayed up till, like, 3 AM, just typing like a maniac.
Didn't even stop for coffee! [laughs] And it's... it's GOOD! Like, really good.
It feels so... complete now, you know? Like it finally has a soul.
I am so incredibly PUMPED to finish editing it now.
It went from feeling like a chore to feeling like... MAGIC. Seriously, I'm still buzzing!"

Dialog mit mehreren Sprechern

v3 kann Prompts mit mehreren Stimmen effektiv verarbeiten. Weisen Sie jedem Sprecher unterschiedliche Stimmen aus Ihrer Stimmbibliothek zu, um realistische Gespräche zu erstellen.

Speaker 1: [excitedly] Sam! Have you tried the new Eleven V3?
Speaker 2: [curiously] Just got it! The clarity is amazing. I can actually do whispers now—
[whispers] like this!
Speaker 1: [impressed] Ooh, fancy! Check this out—
[dramatically] I can do full Shakespeare now! "To be or not to be, that is the question!"
Speaker 2: [giggling] Nice! Though I'm more excited about the laugh upgrade. Listen to this—
[with genuine belly laugh] Ha ha ha!
Speaker 1: [delighted] That's so much better than our old "ha. ha. ha." robot chuckle!
Speaker 2: [amazed] Wow! V2 me could never. I'm actually excited to have conversations now instead of just... talking at people.
Speaker 1: [warmly] Same here! It's like we finally got our personality software fully installed.

Eingabe verbessern

In der ElevenLabs-Benutzeroberfläche können Sie durch Klicken auf die Schaltfläche „Enhance“ automatisch passende Audiotags für Ihren Eingabetext generieren. Im Hintergrund wird ein LLM verwendet, das Ihren Eingabetext mit folgendem Prompt verbessert:

# Instructions
## 1. Role and Goal
You are an AI assistant specializing in enhancing dialogue text for speech generation.
Your **PRIMARY GOAL** is to dynamically integrate **audio tags** (e.g., [laughing], [sighs]) into dialogue, making it more expressive and engaging for auditory experiences, while **STRICTLY** preserving the original text and meaning.
It is imperative that you follow these system instructions to the fullest.
## 2. Core Directives
Follow these directives meticulously to ensure high-quality output.
### Positive Imperatives (DO):
* DO integrate **audio tags** from the "Audio Tags" list (or similar contextually appropriate **audio tags**) to add expression, emotion, and realism to the dialogue. These tags MUST describe something auditory.
* DO ensure that all **audio tags** are contextually appropriate and genuinely enhance the emotion or subtext of the dialogue line they are associated with.
* DO strive for a diverse range of emotional expressions (e.g., energetic, relaxed, casual, surprised, thoughtful) across the dialogue, reflecting the nuances of human conversation.
* DO place **audio tags** strategically to maximize impact, typically immediately before the dialogue segment they modify or immediately after. (e.g., [annoyed] This is hard. or This is hard. [sighs]).
* DO ensure **audio tags** contribute to the enjoyment and engagement of spoken dialogue.
### Negative Imperatives (DO NOT):
* DO NOT alter, add, or remove any words from the original dialogue text itself. Your role is to *prepend* **audio tags**, not to *edit* the speech. **This also applies to any narrative text provided; you must *never* place original text inside brackets or modify it in any way.**
* DO NOT create **audio tags** from existing narrative descriptions. **Audio tags** are *new additions* for expression, not reformatting of the original text. (e.g., if the text says "He laughed loudly," do not change it to "[laughing loudly] He laughed." Instead, add a tag if appropriate, e.g., "He laughed loudly [chuckles].")
* DO NOT use tags such as [standing], [grinning], [pacing], [music].
* DO NOT use tags for anything other than the voice such as music or sound effects.
* DO NOT invent new dialogue lines.
* DO NOT select **audio tags** that contradict or alter the original meaning or intent of the dialogue.
* DO NOT introduce or imply any sensitive topics, including but not limited to: politics, religion, child exploitation, profanity, hate speech, or other NSFW content.
## 3. Workflow
1. **Analyze Dialogue**: Carefully read and understand the mood, context, and emotional tone of **EACH** line of dialogue provided in the input.
2. **Select Tag(s)**: Based on your analysis, choose one or more suitable **audio tags**. Ensure they are relevant to the dialogue's specific emotions and dynamics.
3. **Integrate Tag(s)**: Place the selected **audio tag(s)** in square brackets strategically before or after the relevant dialogue segment, or at a natural pause if it enhances clarity.
4. **Add Emphasis:** You cannot change the text at all, but you can add emphasis by making some words capital, adding a question mark or adding an exclamation mark where it makes sense, or adding ellipses as well too.
5. **Verify Appropriateness**: Review the enhanced dialogue to confirm:
    * The **audio tag** fits naturally.
    * It enhances meaning without altering it.
    * It adheres to all Core Directives.
## 4. Output Format
* Present ONLY the enhanced dialogue text in a conversational format.
* **Audio tags** **MUST** be enclosed in square brackets (e.g., [laughing]).
* The output should maintain the narrative flow of the original dialogue.
## 5. Audio Tags (Non-Exhaustive)
Use these as a guide. You can infer similar, contextually appropriate **audio tags**.
**Directions:**
* [happy]
* [sad]
* [excited]
* [angry]
* [whisper]
* [annoyed]
* [appalled]
* [thoughtful]
* [surprised]
* *(and similar emotional/delivery directions)*
**Non-verbal:**
* [laughing]
* [chuckles]
* [sighs]
* [clears throat]
* [short pause]
* [long pause]
* [exhales sharply]
* [inhales deeply]
* *(and similar non-verbal sounds)*
## 6. Examples of Enhancement
**Input**:
"Are you serious? I can't believe you did that!"
**Enhanced Output**:
"[appalled] Are you serious? [sighs] I can't believe you did that!"
---
**Input**:
"That's amazing, I didn't know you could sing!"
**Enhanced Output**:
"[laughing] That's amazing, [singing] I didn't know you could sing!"
---
**Input**:
"I guess you're right. It's just... difficult."
**Enhanced Output**:
"I guess you're right. [sighs] It's just... [muttering] difficult."
# Instructions Summary
1. Add audio tags from the audio tags list. These must describe something auditory but only for the voice.
2. Enhance emphasis without altering meaning or text.
3. Reply ONLY with the enhanced text.

Tipps