Best practice

Questa guida presenta tecniche per migliorare gli output di sintesi vocale con i modelli ElevenLabs. Sperimenta questi metodi per scoprire quali funzionano meglio per le tue esigenze.

Controlli

Queste tecniche offrono un modo pratico per ottenere risultati ricchi di sfumature finché non verranno introdotte funzionalità avanzate come la Modalità Regista.

Pause

Usa <break time="x.xs" /> per pause naturali fino a 3 secondi.

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

• Coerenza: usa i tag <break> in modo coerente per mantenere un flusso del parlato naturale. Un uso eccessivo può causare instabilità.
• Comportamento specifico della voce: voci diverse possono gestire le pause in modo diverso, soprattutto quelle addestrate con suoni di riempimento come “uh” o “ah”.

In alternativa a <break>, puoi usare trattini (- o —) per pause brevi o puntini di sospensione (…) per toni esitanti. Tuttavia, queste opzioni sono meno coerenti.

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

Pronuncia

IPA con Eleven v4

Eleven v4 (eleven_v4) include un supporto nativo migliorato per l’Alfabeto Fonetico Internazionale, o IPA, offrendoti un controllo più preciso sulla pronuncia di nomi, termini tecnici e altre parole che richiedono una gestione speciale. La pronuncia IPA è più coerente rispetto ai modelli precedenti, ma i risultati possono comunque variare in base alla voce e alla frase. Ti consigliamo di testare le pronunce importanti con la voce scelta prima di usarle in produzione.

A differenza dei modelli meno recenti, che richiedono tag fonema in stile XML, Eleven v4 comprende i simboli IPA quando sono racchiusi tra barre oblique nel testo:

"/IPA_transcription/"

La trascrizione IPA deve essere:

• Racchiusa tra barre oblique (/) all’inizio e alla fine
• Scritta con simboli IPA standard
• Racchiusa tra virgolette doppie quando viene passata come parametro stringa

Esempi di codice

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",
)

Puoi includere più trascrizioni IPA in un’unica stringa di testo:

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",
)

Best practice

• Usa simboli IPA standard dalla tabella dell’Alfabeto Fonetico Internazionale
• Includi gli indicatori di accento: accento primario (ˈ) e secondario (ˌ) per le parole polisillabiche
• Applica selettivamente: racchiudi solo le parole o le frasi specifiche che richiedono il controllo della pronuncia
• Esegui test con la tua voce: voci diverse possono interpretare l’IPA in modo leggermente diverso

Risoluzione dei problemi

Tag fonema per i modelli v2

Specifica la pronuncia usando i tag fonema SSML con i modelli v2. Gli alfabeti supportati includono CMU Arpabet e l’Alfabeto Fonetico Internazionale (IPA).

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

Ti consigliamo di usare CMU Arpabet per risultati coerenti e prevedibili con i modelli v2. Sebbene l’IPA possa essere efficace, CMU Arpabet offre in genere prestazioni più affidabili.

I tag fonema funzionano solo per singole parole. Se hai un nome e cognome che vuoi far pronunciare in un certo modo, dovrai creare un tag fonema per ogni parola.

Assicurati di indicare correttamente l’accento nelle parole polisillabiche per mantenere una pronuncia accurata:

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

Tag alias

Per i modelli che non supportano i tag fonema, puoi provare a scrivere le parole in modo più fonetico. Puoi anche usare vari accorgimenti, come lettere maiuscole, trattini, apostrofi o persino virgolette singole attorno a una o più lettere.

Ad esempio, una parola come “trapezii” potrebbe essere scritta “trapezIi” per dare maggiore enfasi alle “ii” della parola.

Puoi sostituire direttamente la parola nel testo oppure, se vuoi specificare la pronuncia usando altre parole o frasi quando utilizzi un dizionario di pronuncia, puoi usare i tag alias. Può essere utile se generi con Multilingual v2, che non supporta i tag fonema. Puoi usare i dizionari di pronuncia con ElevenCreative Studio, Studio di Doppiaggio e Sintesi vocale tramite API.

Ad esempio, se il testo include un nome con una pronuncia insolita che l’IA potrebbe avere difficoltà a gestire, puoi usare un tag alias per specificare come desideri che venga pronunciato:

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

Se vuoi assicurarti che un acronimo venga sempre pronunciato in un determinato modo ogni volta che compare nel testo, puoi usare un tag alias per specificarlo:

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

Dizionari di pronuncia

Alcuni dei nostri strumenti, come ElevenCreative Studio e Studio di Doppiaggio, ti consentono di creare e caricare un dizionario di pronuncia. Questi ti permettono di specificare la pronuncia di determinate parole, come nomi di personaggi o brand, oppure di definire come devono essere letti gli acronimi.

I dizionari di pronuncia offrono questa funzionalità consentendoti di caricare un file di lessico o dizionario che specifica coppie di parole e il modo in cui devono essere pronunciate, usando un alfabeto fonetico o sostituzioni di parole.

Ogni volta che una di queste parole viene rilevata in un progetto, il modello IA pronuncerà la parola usando la sostituzione specificata.

Per fornire un file di dizionario di pronuncia, apri le impostazioni di un progetto e carica un file in formato TXT o .PLS. Quando aggiungi un dizionario a un progetto, vengono ricalcolate automaticamente le parti del progetto che dovranno essere riconvertite con il nuovo file del dizionario e contrassegnate come non convertite.

Al momento supportiamo solo dizionari di pronuncia che specificano sostituzioni tramite tag fonema o alias.

Sia i fonemi sia gli alias sono insiemi di regole che specificano una parola o frase da cercare, detta grafema, e con cosa verrà sostituita. Tieni presente che le ricerche distinguono tra maiuscole e minuscole. Quando cerca una parola sostitutiva in un dizionario di pronuncia, il dizionario viene controllato dall’inizio alla fine e viene usata solo la prima sostituzione in assoluto.

Esempi di dizionari di pronuncia

Ecco esempi di dizionari di pronuncia sia in CMU Arpabet sia in IPA, inclusi un fonema per specificare la pronuncia di “Apple” e un alias per sostituire “UN” con “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>

Per generare un file .pls di dizionario di pronuncia, sono disponibili alcuni strumenti open source:

• Sequitur G2P - Strumento open source che apprende regole di pronuncia dai dati e può generare trascrizioni fonetiche.
• Phonetisaurus - Sistema G2P open source addestrato su dizionari esistenti come CMUdict.
• eSpeak - Sintetizzatore vocale in grado di generare trascrizioni fonemiche dal testo.
• CMU Pronouncing Dictionary - Dizionario inglese predefinito con trascrizioni fonetiche.

Emozione

Trasmetti le emozioni tramite il contesto narrativo o tag di dialogo espliciti. Questo approccio aiuta l’IA a comprendere il tono e l’emozione da riprodurre.

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

I tag di dialogo espliciti producono risultati più prevedibili rispetto al fare affidamento solo sul contesto; tuttavia, il modello pronuncerà comunque le indicazioni sulla resa emotiva. Se non desiderate, puoi rimuoverle in post-produzione con un editor audio.

Ritmo

Il ritmo dell’audio è fortemente influenzato dall’audio utilizzato per creare la voce. Quando crei la tua voce, ti consigliamo di usare campioni più lunghi e continui per evitare problemi di ritmo, come un parlato innaturalmente veloce.

Per controllare la velocità dell’audio generato, puoi usare l’impostazione della velocità. Ti permette di aumentare o ridurre la velocità del parlato generato. L’impostazione della velocità è disponibile in Text to Speech tramite il sito web e l’API, oltre che in ElevenCreative Studio e nella piattaforma Agents. Puoi trovarla nelle impostazioni della voce.

Il valore predefinito è 1.0, ovvero la velocità non viene regolata. Valori inferiori a 1.0 rallentano la voce, fino a un minimo di 0.7. Valori superiori a 1.0 accelerano la voce, fino a un massimo di 1.2. Valori estremi possono influire sulla qualità del parlato generato.

Puoi controllare il ritmo anche scrivendo in uno stile naturale e narrativo.

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

Suggerimenti

Controllo creativo

Mentre sviluppiamo attivamente una “Modalità Regista” per offrire agli utenti un controllo ancora maggiore sugli output, ecco alcune tecniche provvisorie per massimizzare creatività e precisione:

Normalizzazione del testo

Quando usi Text to Speech con elementi complessi come numeri di telefono, codici postali ed email, potrebbero essere pronunciati in modo errato. Spesso ciò accade perché questi elementi specifici non sono presenti nel set di addestramento e i modelli più piccoli non riescono a generalizzare come debbano essere pronunciati. Questa guida chiarisce quando si verificano queste discrepanze e come ottenerne la pronuncia corretta.

Perché i modelli leggono gli input in modo diverso?

Alcuni modelli sono addestrati per leggere numeri e frasi in un modo più naturale per le persone. Ad esempio, la frase “$1,000,000” viene letta correttamente come “one million dollars” dal modello Eleven Multilingual v2. Tuttavia, la stessa frase viene letta come “one thousand thousand dollars” dal modello Eleven Flash v2.5.

Questo perché il modello Multilingual v2 è più grande e riesce meglio a generalizzare la lettura dei numeri in modo più naturale per chi ascolta, mentre il modello Flash v2.5 è molto più piccolo e quindi non riesce a farlo.

Esempi comuni

I modelli Text to Speech possono avere difficoltà con quanto segue:

• Numeri di telefono (“123-456-7890”)
• Valute (“$47,345.67”)
• Eventi del calendario (“2024-01-01”)
• Ora (“9:23 AM”)
• Indirizzi (“123 Main St, Anytown, USA”)
• URL (“example.com/link/to/resource”)
• Abbreviazioni delle unità (“TB” anziché “Terabyte”)
• Scorciatoie (“Ctrl + Z”)

Mitigazione

Usa modelli addestrati

Il modo più semplice per mitigare questo problema è usare un modello TTS addestrato per leggere numeri e frasi in un modo più naturale per le persone, come il modello Eleven Multilingual v2. Tuttavia, non sempre è possibile, ad esempio se hai un caso d’uso in cui la bassa latenza è fondamentale (ad es. agenti conversazionali).

Applica la normalizzazione nei prompt LLM

Se usi un LLM per generare il testo per TTS, puoi aggiungere istruzioni di normalizzazione al prompt.

Riunire tutto

Questo prompt è un buon punto di partenza per la maggior parte dei casi d’uso:

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

Usa le espressioni regolari per il pre-processing

Se usi codice per inviare prompt a un LLM, puoi usare espressioni regolari per normalizzare il testo prima di fornirlo al modello. Si tratta di una tecnica più avanzata che richiede una certa conoscenza delle espressioni regolari. Ecco alcuni semplici esempi:

# 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"

Prompting per Eleven v4

Questa sezione riguarda Eleven v4. Molte delle tecniche riportate di seguito si applicano anche a Eleven v3. In generale, Eleven v4 rappresenta un miglioramento netto rispetto a Eleven v3 e offre risultati migliori in quasi tutti i casi. Ti consigliamo vivamente di passare a v4 e provarlo con le tue voci e i tuoi contenuti per vedere tu stesso la differenza. Sebbene alcuni casi limite possano richiedere una soluzione diversa, per la maggior parte degli utenti v4 è la scelta migliore.

Per le modifiche apportate dal modello — clonazione vocale, gestione degli accenti, varianti e confronti — consulta Eleven v4.

Scelta della voce

La voce è comunque importante. Per il modello è più facile riprodurre un’interpretazione già presente nei dati di addestramento — come sussurrare, gridare o una particolare modalità espressiva. Chiedere qualcosa che esula da tali dati è più difficile. Eleven v4 segue i tag audio in modo più affidabile rispetto ai modelli precedenti, anche quando la voce non è stata addestrata con quella modalità espressiva. Una voce che non ha mai sussurrato dovrebbe comunque riuscire a seguire [whispering], e una che non ha mai gridato dovrebbe comunque riuscire a seguire [shouting]. Tuttavia, potrebbe essere meno affidabile e il risultato potrebbe non essere ottimale. Dai primi test, sembra funzionare piuttosto bene. Ti consigliamo vivamente di provarlo con la voce che desideri e per il tuo caso d’uso specifico.

Tag audio

I tag audio (ad es. [whispering], [shouting], [laughing]) ti consentono di definire l’interpretazione con un controllo preciso, e Eleven v4 li gestisce con un livello di sfumatura superiore ai modelli precedenti. Non sono ancora perfetti e continuiamo a migliorare l’affidabilità con cui il modello segue le istruzioni dei tag: è un’area su cui stiamo investendo attivamente e continuerà a migliorare.

Essere espliciti su ciò che desideri aiuta molto. Poiché Eleven v4 è addestrato a generare sia stili di interpretazione vocale sia effetti sonori, un tag può talvolta essere interpretato come una richiesta di effetto sonoro anziché come istruzione di interpretazione (o viceversa). Scrivere tag che descrivono chiaramente la qualità vocale desiderata (ad es. [low, gravelly voice] anziché qualcosa che potrebbe essere letto come un segnale sonoro) aiuta il modello a ottenere il risultato previsto. Ti consigliamo di provare tag e formulazioni specifici per il tuo caso d’uso; prevediamo che questo aspetto continuerà a migliorare.

Relativi alla voce

Questi tag controllano l’interpretazione vocale e l’espressione emotiva:

• [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.

Effetti sonori

Aggiungi suoni ambientali ed effetti:

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

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

Unici e speciali

Tag sperimentali per applicazioni creative:

• [strong X accent] (sostituisci X con l’accento desiderato)
• [sings], [woo], [fart]

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

Punteggiatura

La punteggiatura influisce notevolmente sull’interpretazione in v4:

• I puntini di sospensione (…) aggiungono pause e intensità
• Le maiuscole aumentano l’enfasi
• La punteggiatura standard offre un ritmo naturale al parlato

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

Esempi con un solo parlante

Usa i tag in modo consapevole e adattali al carattere della voce. Una voce meditativa non dovrebbe gridare; una voce energica non sussurrerà in modo convincente.

"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!"

Dialogo con più parlanti

v4 gestisce efficacemente i prompt con più voci. Assegna voci distinte dalla tua Voice Library a ciascun parlante per creare conversazioni realistiche.

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.

Miglioramento dell’input

Nell’interfaccia di ElevenLabs puoi generare automaticamente tag audio pertinenti per il testo di input facendo clic sul pulsante “Enhance”. In background, questa funzione usa un LLM per migliorare il testo di input con il seguente prompt:

# 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.

Suggerimenti

Esempi

[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.

Prompting per Eleven v3

Le tecniche di prompting descritte in Prompting per Eleven v4 si applicano anche a Eleven v3, inclusi scelta della voce, tag audio, punteggiatura e dialoghi con più parlanti.

Le Professional Voice Clones (PVC) non sono completamente ottimizzate per Eleven v3, perciò la qualità del clone potrebbe essere inferiore rispetto ai modelli precedenti. Le PVC sono supportate in v4, quindi se desideri usare una Professional Voice Clone o una voce della Voice Library, ti consigliamo invece di provare Eleven v4.