¿Qué son las Audio Tags? La guía completa del TTS emocional

Las Audio Tags son indicaciones entre corchetes y en lenguaje natural, como [laughs], [gasps], [excited] y [worried], que Eleven v3 y Eleven v4 interpretan como instrucciones de interpretación, no como palabras que deben pronunciarse. Al escribir un guion para un modelo de Texto a Voz, incluir estas Audio Tags te ofrece un control detallado sobre la entonación emocional de tu texto. 

Eleven v3 estuvo disponible públicamente en marzo de 2026. Antes de v3, conseguir una interpretación emocional concreta de un modelo de Texto a Voz implicaba regenerar contenido y esperar lo mejor. Las Audio Tags eliminan esa incertidumbre y te dan control total sobre una interpretación emocional de texto a voz. Eleven v4 va aún más allá y te ofrece un control emocional detallado.

Esta guía explica qué son las Audio Tags, cómo funcionan, todas las categorías de etiquetas disponibles y cómo se comparan con SSML (Speech Synthesis Markup Language). También veremos casos de uso habituales, cada uno con su propia guía detallada.

Resumen

• Las Audio Tags son indicaciones entre corchetes, como [shouts] o [excited], que dirigen la emoción, el ritmo, la entonación y el tono en TTS de Eleven v3 y Eleven v4.
• Eleven v3 y Eleven v4 no admiten SSML, sino que lo sustituyen por Audio Tags para ofrecer una experiencia de escritura más natural.
• Las etiquetas abarcan varias categorías, como emociones, entonación y ritmo, reacciones humanas, acentos y efectos de sonido.
• La puntuación y las mayúsculas de tu texto te permiten dar forma al ritmo de una interpretación de voz IA.
• Puedes acceder a las Audio Tags en ElevenLabs desde la interfaz o mediante la API.

¿Cómo funcionan las Audio Tags?

Las Audio Tags se integran en la transcripción y van entre corchetes. Siempre que quieras cambiar la entonación, por ejemplo, de normal a [worried], solo tienes que añadir una audio tag.

También puedes usar más de una etiqueta en una sola frase y combinarlas para lograr una interpretación con más matices, como [tired] Ha sido un día muy largo… [upset] ¿Cuántos días más puedo aguantar?

La arquitectura de Eleven v4 permite al modelo interpretar el contexto a un nivel más profundo que los modelos anteriores, por lo que puede seguir indicaciones emocionales, cambios de tono, transiciones entre hablantes y pistas de contexto sin necesidad de un parámetro o ajuste independiente. Solo tienes que decirle al modelo lo que requiere el momento, y reproducirá la frase tal y como la habías planeado.

Eleven v4 también gestiona diálogos con varios hablantes que resultan espontáneos, con interrupciones, cambios de ánimo y el intercambio natural de una conversación real, únicamente a partir de las etiquetas y la estructura del guion. 

Audio Tags frente a SSML

Si has trabajado con otros sistemas TTS, seguramente hayas encontrado Speech Synthesis Markup Language. Plataformas como Amazon Polly y Microsoft Azure Speech utilizan etiquetas SSML como <break> o <emphasis> para aportar contexto adicional a un guion de TTS. 

Eleven v4 no admite las etiquetas de pausa de SSML ni el resto de etiquetas SSML. En su lugar, las Audio Tags, la puntuación y la propia estructura del texto asumen esa función y ofrecen un control detallado sobre la entonación.

Puedes usar la siguiente tabla para relacionar las etiquetas SSML habituales con su equivalente en Eleven v4.

Desde la perspectiva de quien escribe, añadir [whispers] a una frase requiere mucho menos esfuerzo que configurar una velocidad de prosodia.

Las categorías de Audio Tags en v3: dirige la interpretación con Audio Tags

Puedes colocar Audio Tags en cualquier parte de tu guion para dar forma a la entonación en tiempo real. También puedes combinar etiquetas dentro de un guion o incluso de una frase.

Las etiquetas se dividen en las siguientes categorías principales.

Emociones

Estas etiquetas pueden ayudarte a definir el tono emocional de la voz, ya sea sombrío, intenso o animado. Por ejemplo, puedes usar una o varias de estas: [sad], [angry], [happily] y [sorrowful].

Entonación y ritmo

Estas se centran más en el tono y la interpretación. Puedes usar estas etiquetas para ajustar el volumen y la energía en escenas que requieren contención o fuerza. Algunos ejemplos son [whispers], [shouts] y [softly].

Reacciones humanas

El habla natural de verdad incluye reacciones. Por ejemplo, puedes añadir realismo integrando momentos naturales y no guionizados en el discurso. Etiquetas como [laughs], [clears throat] y [sighs] ayudan a crear un modelo TTS capaz de transmitir emoción humana.

Otros ejemplos de categorías de audio tags son:

• Acentos y voces de personajes: Las etiquetas de acento trasladan la voz a una región o personalidad concreta sin cambiar de modelo, como [French accent], [British accent] o [pirate voice]. Úsalas para convertir una única voz en un reparto flexible en lugar de una interpretación fija.
• Efectos de sonido: Las etiquetas de efectos de sonido añaden audio no verbal directamente a la generación, como [gunshot], [explosion] y [clapping]. Funcionan bien en audios inmersivos, juegos y narraciones dramatizadas en las que la escena necesita algo más que una voz. También puedes usar el generador de efectos de sonido con IA ElevenCreative.

Aunque las etiquetas te ofrecen un alto grado de control, también puedes usar la puntuación para dar forma al ritmo y al énfasis. Por ejemplo, añade puntos suspensivos para crear una pausa natural o usa comas para marcar patrones de respiración naturales. Prueba a escribir una palabra en mayúsculas para enfatizarla: «Lo quiero AHORA mismo».

¿Qué puedes hacer con las Audio Tags?

Las Audio Tags desbloquean la complejidad emocional de los guiones de una forma intuitiva. Escribe con naturalidad y añade etiquetas sobre la marcha.

Aquí tienes un breve vistazo a algunos casos de uso de TTS emocional con Audio Tags.

Conciencia situacional en audio con IA

Etiquetas como [whisper] o [shouting] permiten a Eleven v4 reaccionar al momento. Desde suavizar una advertencia hasta mantener una pausa prolongada para generar suspense, puedes incorporar una conciencia situacional dinámica a tu guion.

Para conocer todos los detalles, consulta nuestra guía sobre conciencia situacional en audio con IA.

Dirigir la interpretación de personajes en el habla

Al crear un guion con varios personajes, quieres mostrar claramente en qué se diferencia cada voz. Desde ajustar su personalidad con [sarcastically] hasta definir cómo hablan con [British accent], puedes captar toda una gama de emociones con nuestro motor TTS.

Descubre más sobre cómo dirigir la interpretación de personajes en habla con IA.

Expresar el contexto emocional en el habla

Las Audio Tags te permiten dar forma a la entonación emocional de una frase a medida que avanza. Puedes construir emociones a lo largo de un discurso y alcanzar un crescendo en el momento en que imaginas a tu personaje en todo su potencial. Etiquetas como [awe], [booming] y [big laugh] ayudan a integrar toda una gama emocional en la interpretación de tu voz IA.

Lee más sobre cómo usar el contexto emocional en habla con IA. 

Dar vida al diálogo entre varios personajes

Al crear interpretaciones de diálogos con varios personajes, puedes empezar cada frase con una audio tag para desarrollar conversaciones ricas entre personajes. 

Veamos este ejemplo: Tom: [coughing] [beginning to speak] perdón, hoy estoy un poco enfermo— Emma: [interrupting] —¿Enfermo? ¡Sabes cuánto odio que tosas, Tom! Tom: [surprised] Solo es un poco de tos, no es nada grave. ¿Cómo te sentirías si…?— Emma: [overlapping] [annoyed] —Creo que tienes que irte a casa. 

Descubre qué más puedes hacer con diálogos entre varios personajes en Eleven v3.

Control preciso de la entonación para habla con IA

Puedes controlar el ritmo del habla con Eleven v3 y Eleven v4 mediante Audio Tags o puntuación. Etiquetas como [pause], [rushed] o [drawn out] te permiten dar forma a la frase con precisión. También puedes añadir puntos suspensivos, puntos y signos de exclamación para incorporar emoción de forma natural a tu interpretación TTS.

Hemos escrito una guía detallada sobre el control preciso de la entonación en Eleven v3.

El TTS emocional está disponible en la API

Las Audio Tags funcionan igual mediante la API de Texto a Voz que en la interfaz de ElevenLabs. Escribe la etiqueta integrada en el texto del guion y la API devolverá la interpretación etiquetada en el audio generado, desde flujos de trabajo de audiolibros hasta locuciones publicitarias. 

Descubre más sobre Eleven v4 o contacta con ventas para empezar hoy mismo.

Preguntas frecuentes sobre Audio Tags y TTS emocional