Bonnes pratiques

Ce guide présente des techniques pour améliorer les résultats de synthèse vocale avec les modèles ElevenLabs. Testez ces méthodes pour déterminer celles qui répondent le mieux à vos besoins.

Contrôles

Ces techniques offrent une approche pratique pour obtenir des résultats nuancés en attendant le déploiement de fonctionnalités avancées comme le Director’s Mode.

Pauses

Utilisez <break time="x.xs" /> pour des pauses naturelles allant jusqu’à 3 secondes.

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

• Cohérence : utilisez les balises <break> de manière cohérente pour préserver un flux de parole naturel. Une utilisation excessive peut entraîner une instabilité.
• Comportement propre à chaque voix : les voix peuvent gérer les pauses différemment, en particulier celles entraînées avec des sons d’hésitation comme « uh » ou « ah ».

Les alternatives à <break> comprennent les tirets (- ou —) pour les courtes pauses ou les points de suspension (…) pour un ton hésitant. Elles sont toutefois moins cohérentes.

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

Prononciation

API avec Eleven v4

Eleven v4 (eleven_v4) intègre une meilleure prise en charge native de l’Alphabet phonétique international, ou API, vous offrant un contrôle plus précis de la prononciation des noms, termes techniques et autres mots nécessitant un traitement particulier. La prononciation API est plus cohérente que dans les modèles précédents, mais les résultats peuvent encore varier selon la voix et l’expression. Nous vous recommandons de tester les prononciations importantes avec la voix choisie avant de vous y fier en production.

Contrairement aux anciens modèles qui nécessitent des balises de phonèmes de type XML, Eleven v4 comprend les symboles API lorsqu’ils sont placés entre des barres obliques dans votre texte :

"/IPA_transcription/"

La transcription API doit être :

• Placée entre des barres obliques (/) au début et à la fin
• Écrite avec des symboles API standard
• Placée entre guillemets doubles lorsqu’elle est transmise comme paramètre de chaîne

Exemples de code

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_v4",
)

Vous pouvez inclure plusieurs transcriptions API dans une même chaîne de texte :

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_v4",
)

Bonnes pratiques

• Utilisez les symboles API standard du tableau de l’Alphabet phonétique international
• Incluez les marques d’accentuation : accent tonique primaire (ˈ) et secondaire (ˌ) pour les mots à plusieurs syllabes
• Appliquez-les de manière sélective : encadrez uniquement les mots ou expressions nécessitant un contrôle de la prononciation
• Testez avec votre voix : les différentes voix peuvent interpréter l’API de façon légèrement différente

Résolution des problèmes

Balises de phonèmes pour les modèles v2

Spécifiez la prononciation à l’aide des balises de phonèmes SSML avec les modèles v2. Les alphabets pris en charge incluent l’Arpabet CMU et l’Alphabet phonétique international (API).

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

Nous recommandons d’utiliser CMU Arpabet pour obtenir des résultats cohérents et prévisibles avec les modèles v2. Bien que l’API puisse être efficace, CMU Arpabet offre généralement des performances plus fiables.

Les balises de phonèmes ne fonctionnent que pour les mots individuels. Si vous avez un nom composé d’un prénom et d’un nom que vous souhaitez faire prononcer d’une certaine manière, vous devrez créer une balise de phonème pour chaque mot.

Veillez à marquer correctement l’accentuation des mots à plusieurs syllabes afin de conserver une prononciation exacte :

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

Balises d’alias

Pour les modèles qui ne prennent pas en charge les balises de phonèmes, vous pouvez essayer d’écrire les mots de manière plus phonétique. Vous pouvez également utiliser diverses astuces, comme les majuscules, les tirets, les apostrophes, ou même des guillemets simples autour d’une ou plusieurs lettres.

Par exemple, un mot comme « trapezii » pourrait s’écrire « trapezIi » pour accentuer davantage le « ii » du mot.

Vous pouvez remplacer le mot directement dans votre texte ou, si vous souhaitez spécifier une prononciation à l’aide d’autres mots ou expressions lorsque vous utilisez un dictionnaire de prononciation, vous pouvez utiliser des balises d’alias. Cela peut être utile si vous générez du contenu avec Multilingual v2, qui ne prend pas en charge les balises de phonèmes. Vous pouvez utiliser des dictionnaires de prononciation avec ElevenCreative Studio, Dubbing Studio et la synthèse vocale via l’API.

Par exemple, si votre texte comprend un nom dont la prononciation inhabituelle peut poser problème à l’IA, vous pouvez utiliser une balise d’alias pour préciser comment vous souhaitez qu’il soit prononcé :

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

Si vous voulez vous assurer qu’un acronyme est toujours prononcé d’une certaine manière lorsqu’il apparaît dans votre texte, vous pouvez utiliser une balise d’alias pour le préciser :

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

Dictionnaires de prononciation

Certains de nos outils, comme ElevenCreative Studio et Dubbing Studio, vous permettent de créer et d’importer un dictionnaire de prononciation. Ils vous permettent de spécifier la prononciation de certains mots, comme les noms de personnages ou de marques, ou de définir la manière dont les acronymes doivent être lus.

Les dictionnaires de prononciation offrent cette fonctionnalité en vous permettant d’importer un fichier de lexique ou de dictionnaire qui spécifie des paires de mots et leur prononciation, à l’aide d’un alphabet phonétique ou de substitutions de mots.

Lorsqu’un de ces mots est rencontré dans un projet, le modèle IA prononce le mot à l’aide du remplacement spécifié.

Pour fournir un fichier de dictionnaire de prononciation, ouvrez les paramètres d’un projet et importez un fichier au format TXT ou .PLS. Lorsqu’un dictionnaire est ajouté à un projet, celui-ci recalcule automatiquement les parties du projet qui doivent être reconverties avec le nouveau fichier de dictionnaire et les marque comme non converties.

Actuellement, nous ne prenons en charge que les dictionnaires de prononciation qui spécifient des remplacements à l’aide de balises de phonèmes ou d’alias.

Les phonèmes comme les alias sont des ensembles de règles qui spécifient un mot ou une expression recherchés, appelés graphèmes, ainsi que leur remplacement. Veuillez noter que les recherches sont sensibles à la casse. Lors de la recherche d’un mot de remplacement dans un dictionnaire de prononciation, le dictionnaire est parcouru du début à la fin et seul le tout premier remplacement est utilisé.

Exemples de dictionnaires de prononciation

Voici des exemples de dictionnaires de prononciation en CMU Arpabet et en API, incluant un phonème pour spécifier la prononciation de « Apple » et un alias pour remplacer « UN » par « United Nations » :

<?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>

Pour générer un fichier .pls de dictionnaire de prononciation, plusieurs outils open source sont disponibles :

• Sequitur G2P - Outil open source qui apprend les règles de prononciation à partir de données et peut générer des transcriptions phonétiques.
• Phonetisaurus - Système G2P open source entraîné sur des dictionnaires existants comme CMUdict.
• eSpeak - Synthétiseur vocal capable de générer des transcriptions de phonèmes à partir de texte.
• CMU Pronouncing Dictionary - Dictionnaire anglais préétabli avec des transcriptions phonétiques.

Émotion

Exprimez les émotions par le contexte narratif ou des balises de dialogue explicites. Cette approche aide l’IA à comprendre le ton et l’émotion à reproduire.

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

Les balises de dialogue explicites produisent des résultats plus prévisibles que le seul contexte. Toutefois, le modèle prononcera également les indications de jeu émotionnelles. Vous pouvez les supprimer en post-production à l’aide d’un éditeur audio si vous ne les souhaitez pas.

Rythme

Le rythme de l’audio est fortement influencé par l’audio utilisé pour créer la voix. Lors de la création de votre voix, nous recommandons d’utiliser des échantillons plus longs et continus afin d’éviter les problèmes de rythme, comme une parole anormalement rapide.

Pour contrôler la vitesse de l’audio généré, vous pouvez utiliser le paramètre de vitesse. Il vous permet d’accélérer ou de ralentir la parole générée. Le paramètre de vitesse est disponible dans Text to Speech sur le site web et via l’API, ainsi que dans ElevenCreative Studio et Agents Platform. Vous le trouverez dans les paramètres de la voix.

La valeur par défaut est 1,0, ce qui signifie que la vitesse n’est pas ajustée. Les valeurs inférieures à 1,0 ralentissent la voix, jusqu’à un minimum de 0,7. Les valeurs supérieures à 1,0 accélèrent la voix, jusqu’à un maximum de 1,2. Les valeurs extrêmes peuvent affecter la qualité de la parole générée.

Le rythme peut également être contrôlé en écrivant dans un style narratif naturel.

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

Conseils

Contrôle créatif

Bien que nous développions activement un « Director’s Mode » pour donner aux utilisateurs encore plus de contrôle sur les résultats, voici quelques techniques provisoires pour maximiser la créativité et la précision :

Normalisation du texte

Lors de l’utilisation de Text to Speech avec des éléments complexes comme les numéros de téléphone, les codes postaux et les emails, ils peuvent être mal prononcés. Cela s’explique souvent par le fait que ces éléments précis ne figurent pas dans l’ensemble d’entraînement et que les modèles plus petits ne parviennent pas à généraliser leur prononciation. Ce guide explique quand ces écarts se produisent et comment les faire prononcer correctement.

Pourquoi les modèles lisent-ils les entrées différemment ?

Certains modèles sont entraînés pour lire les nombres et les expressions de manière plus naturelle. Par exemple, l’expression « $1,000,000 » est correctement lue comme « one million dollars » par le modèle Eleven Multilingual v2. Cependant, la même expression est lue comme « one thousand thousand dollars » par le modèle Eleven Flash v2.5.

Cela s’explique par le fait que le modèle Multilingual v2 est plus grand et peut mieux généraliser la lecture des nombres de manière plus naturelle pour les auditeurs, tandis que le modèle Flash v2.5 est bien plus petit et ne le peut donc pas.

Exemples courants

Les modèles Text to Speech peuvent rencontrer des difficultés avec les éléments suivants :

• Numéros de téléphone (« 123-456-7890 »)
• Devises (« $47,345.67 »)
• Événements de calendrier (« 2024-01-01 »)
• Heure (« 9:23 AM »)
• Adresses (« 123 Main St, Anytown, USA »)
• URL (« example.com/link/to/resource »)
• Abréviations d’unités (« TB » au lieu de « Terabyte »)
• Raccourcis (« Ctrl + Z »)

Solutions

Utiliser des modèles entraînés

Le moyen le plus simple d’atténuer ce problème consiste à utiliser un modèle TTS entraîné pour lire les nombres et les expressions de manière plus naturelle, comme le modèle Eleven Multilingual v2. Cela n’est toutefois pas toujours possible, par exemple si vous avez un cas d’usage où une faible latence est essentielle, comme les agents conversationnels.

Appliquer la normalisation dans les prompts LLM

Si vous utilisez un LLM pour générer le texte destiné au TTS, vous pouvez ajouter des instructions de normalisation au prompt.

Tout réunir

Ce prompt constitue un bon point de départ pour la plupart des cas d’usage :

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

Utiliser des expressions régulières pour le prétraitement

Si vous utilisez du code pour envoyer un prompt à un LLM, vous pouvez utiliser des expressions régulières pour normaliser le texte avant de le fournir au modèle. Cette technique est plus avancée et nécessite quelques connaissances en expressions régulières. Voici quelques exemples simples :

# 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"

Instructions pour Eleven v4

Cette section est consacrée à Eleven v4. Bon nombre des techniques ci-dessous s’appliquent également à Eleven v3. En général, Eleven v4 constitue une amélioration globale par rapport à Eleven v3 et offre de meilleurs résultats dans presque tous les cas. Nous vous recommandons vivement de passer à v4 et de la tester avec vos propres voix et contenus pour constater la différence. Quelques cas particuliers peuvent nécessiter une autre solution, mais v4 devrait être le meilleur choix pour la plupart des utilisateurs.

Pour en savoir plus sur les changements apportés au modèle, notamment le clonage de voix, la gestion des accents, les variantes et les comparaisons, consultez Eleven v4.

Sélection de voix

La voix reste importante. Une interprétation déjà présente dans les données d’entraînement, comme un chuchotement, un cri ou une manière de parler particulière, est plus facile à reproduire pour le modèle. Demander quelque chose qui ne figure pas dans ces données est plus difficile. Eleven v4 suit les balises audio de façon plus fiable que les modèles précédents, même lorsque la voix n’a pas été entraînée pour cette interprétation. Une voix qui n’a jamais chuchoté devrait tout de même pouvoir suivre [whispering], et une voix qui n’a jamais crié devrait pouvoir suivre [shouting]. Cela peut toutefois être moins fiable et le résultat peut ne pas être optimal. Les premiers tests indiquent que cela fonctionne plutôt bien. Nous vous recommandons vivement de le tester vous-même avec la voix souhaitée et pour votre cas d’utilisation précis.

Balises audio

Les balises audio, par exemple [whispering], [shouting] et [laughing], vous permettent de diriger l’interprétation avec précision. Eleven v4 les gère avec un niveau de nuance supérieur à celui des modèles précédents. Elles ne sont pas encore parfaites, et nous continuons d’itérer pour améliorer la fiabilité avec laquelle le modèle suit leurs instructions. C’est un domaine dans lequel nous continuons d’investir, et les résultats continueront de s’améliorer.

Être explicite sur ce que vous souhaitez aide beaucoup. Comme Eleven v4 est entraîné à générer à la fois des styles d’interprétation vocale et des effets sonores, une balise peut parfois être interprétée comme une demande d’effet sonore plutôt que comme une instruction d’interprétation, ou inversement. Rédiger des balises qui décrivent clairement la qualité vocale souhaitée, par exemple [low, gravelly voice] plutôt qu’un texte pouvant être lu comme un signal sonore, aide le modèle à produire le résultat attendu. Nous vous recommandons de tester vos balises et formulations spécifiques pour votre cas d’utilisation. Cela devrait continuer de s’améliorer.

Liées à la voix

Ces balises contrôlent l’interprétation vocale et l’expression émotionnelle :

• [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.

Effets sonores

Ajoutez des sons et effets d’ambiance :

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

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

Uniques et spéciaux

Balises expérimentales pour les applications créatives :

• [strong X accent] (remplacez X par l’accent souhaité)
• [sings], [woo], [fart]

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

Ponctuation

La ponctuation influence fortement l’interprétation dans v4 :

• Les points de suspension (…) ajoutent des pauses et du poids
• Les majuscules renforcent l’emphase
• La ponctuation standard apporte un rythme naturel à la parole

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

Exemples à un seul locuteur

Utilisez les balises de manière intentionnelle et adaptez-les au caractère de la voix. Une voix méditative ne devrait pas crier ; une voix enthousiaste ne chuchotera pas de manière convaincante.

"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!"

Dialogue à plusieurs locuteurs

v4 peut gérer efficacement les prompts à plusieurs voix. Attribuez des voix distinctes de votre Voice Library à chaque locuteur pour créer des conversations réalistes.

Speaker 1: [excitedly] Sam! Have you tried the new Eleven v4?
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.

Amélioration du texte saisi

Dans l’interface ElevenLabs, vous pouvez générer automatiquement des balises audio pertinentes pour votre texte en cliquant sur le bouton « Enhance ». En arrière-plan, cette fonctionnalité utilise un LLM pour améliorer votre texte avec le prompt suivant :

# 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.

Conseils

Exemples

[Low, steady voice, restrained urgency] Keep the lantern covered. If they see the light, they will know we crossed the river.
[Brief pause]
[Quietly, with controlled fear] I heard them at the bridge. Not soldiers. Something else.
[Voice rising into firm resolve] Then we do not stop. We reach the tower before sunrise, or we do not reach it at all.
[Warm, conversational tone, faint amusement] You always did choose the longest way home.
[Softening, reflective] I used to think that was stubbornness. Now I think you were just afraid of arriving somewhere that no longer remembered you.
[Gentle laugh, then sincere] For what it is worth, I remembered.

Instructions pour Eleven v3

Les techniques de prompt décrites dans Instructions pour Eleven v4 s’appliquent également à Eleven v3, notamment la sélection de voix, les balises audio, la ponctuation et les dialogues à plusieurs locuteurs.

Les Professional Voice Clones (PVC) ne sont pas entièrement optimisés pour Eleven v3, ce qui peut entraîner une qualité de clonage inférieure à celle des modèles précédents. Les PVC sont pris en charge dans v4. Si vous souhaitez utiliser un Professional Voice Clone ou une voix de la Voice Library, nous vous recommandons plutôt d’essayer Eleven v4.