पेश है Eleven v4पेश है Eleven v4, हमारा अब तक का सबसे भावपूर्ण मॉडल।

रिडीम करें
कंटेंट पर जाएं
लॉग इनसाइन अप
संपर्क करेंलॉग इन करें

ऑडियो टैग्स क्या हैं? भावनात्मक TTS की पूरी गाइड

लेखक
Jack Limebear
प्रकाशित
आखिरी बार अपडेट किया गया

सुनेंइस आर्टिकल को सुनें

Eleven v4
और जानें

Audio Tags, जैसे [laughs], [gasps], [excited], और [worried], ब्रैकेट में लिखे प्राकृतिक भाषा के संकेत हैं, जिन्हें Eleven v3 और Eleven v4 बोलने वाले शब्दों के बजाय परफ़ॉर्मेंस निर्देश के रूप में पढ़ते हैं। टेक्स्ट टू स्पीच मॉडल के लिए स्क्रिप्ट लिखते समय इन Audio Tags को जोड़ने से आप अपनी लिखी बात की भावनात्मक डिलीवरी को बारीकी से नियंत्रित कर सकते हैं। 

Eleven v3 मार्च 2026 में सार्वजनिक रूप से उपलब्ध हुआ। v3 से पहले, किसी टेक्स्ट टू स्पीच मॉडल से खास भावनात्मक परफ़ॉर्मेंस पाने के लिए कंटेंट को बार-बार जनरेट करना और बेहतरीन नतीजे की उम्मीद करना पड़ता था। Audio Tags इस अंदाज़े को खत्म कर देते हैं और भावनात्मक टेक्स्ट टू स्पीच परफ़ॉर्मेंस पर आपको पूरा नियंत्रण देते हैं। Eleven v4 इसे और आगे ले जाता है, जिससे आपको भावनाओं पर बारीक नियंत्रण मिलता है।

इस गाइड में बताया गया है कि Audio Tags क्या हैं, ये कैसे काम करते हैं, टैग की कौन-कौन सी कैटेगरी उपलब्ध हैं और इनकी तुलना SSML (Speech Synthesis Markup Language) से कैसे होती है। हम आम इस्तेमाल के मामलों को भी कवर करेंगे, जिनमें से हर एक की अपनी विस्तृत गाइड है।

सारांश

  • Audio Tags, जैसे [shouts] या [excited], ब्रैकेट में लिखे संकेत हैं जो Eleven v3 और Eleven v4 में TTS की भावना, गति, डिलीवरी और टोन को निर्देशित करते हैं।
  • Eleven v3 और Eleven v4 SSML को सपोर्ट नहीं करते, लेकिन ज़्यादा स्वाभाविक लेखन अनुभव के लिए उसकी जगह Audio Tags देते हैं।
  • टैग कई कैटेगरी में आते हैं, जैसे भावनाएं, डिलीवरी और गति, मानवीय प्रतिक्रियाएं, ऐक्सेंट और साउंड इफेक्ट्स।
  • आपके टेक्स्ट में विराम चिह्न और कैपिटल अक्षर AI वॉइस परफ़ॉर्मेंस की गति को आकार देने में मदद करते हैं।
  • आप UI या API के ज़रिए ElevenLabs पर Audio Tags इस्तेमाल कर सकते हैं।

Audio Tags कैसे काम करते हैं?

Audio Tags आपके ट्रांसक्रिप्ट में इनलाइन होते हैं और स्क्वेयर ब्रैकेट में लिखे जाते हैं। जब भी आप डिलीवरी बदलना चाहें, जैसे सामान्य से [worried] करना हो, तो बस एक ऑडियो टैग जोड़ें।

आप एक वाक्य में एक से ज़्यादा टैग भी इस्तेमाल कर सकते हैं और बेहतर परतों वाली परफ़ॉर्मेंस के लिए उन्हें मिला सकते हैं, जैसे [tired] आज का दिन बहुत लंबा रहा… [upset] मैं और कितने दिन सह सकता हूँ?

Eleven v4 का आर्किटेक्चर मॉडल को पुराने मॉडलों की तुलना में गहराई से कॉन्टेक्स्ट पढ़ने देता है। इससे वह अलग पैरामीटर या सेटिंग के बिना भावनात्मक संकेतों, टोन में बदलाव, स्पीकर ट्रांज़िशन और कॉन्टेक्स्ट संकेतों को समझ सकता है। मॉडल को बस बताएं कि उस पल की क्या ज़रूरत है, और वह लाइन को ठीक आपकी योजना के मुताबिक़ परफ़ॉर्म करेगा।

Eleven v4 सिर्फ़ टैग और स्क्रिप्ट की संरचना के आधार पर ही रुकावटों, मूड में बदलाव और असली बातचीत के सहज आदान-प्रदान वाले स्वाभाविक मल्टी-स्पीकर संवाद भी संभालता है। 

Audio Tags बनाम SSML

अगर आपने दूसरे TTS सिस्टम के साथ काम किया है, तो शायद आपने Speech Synthesis Markup Language के बारे में सुना होगा। Amazon Polly और Microsoft Azure Speech जैसे प्लेटफ़ॉर्म TTS स्क्रिप्ट को अतिरिक्त कॉन्टेक्स्ट देने के लिए <break> या <emphasis> जैसे SSML टैग इस्तेमाल करते हैं। 

Eleven v4 SSML ब्रेक टैग या बाकी SSML टैग सेट को सपोर्ट नहीं करता। इसके बजाय, Audio Tags, विराम चिह्न और टेक्स्ट की संरचना खुद यह भूमिका निभाते हैं, साथ ही डिलीवरी पर बारीक नियंत्रण भी देते हैं।

आम SSML टैग को उनके Eleven v4 विकल्प से मिलाने के लिए नीचे दी गई टेबल इस्तेमाल करें।

What it does
<break time=”1s”>
Inserts a pause
<prosody rate=”slow”>
Slows down speech
<prosody rate=”fast”>
Speeds speech up
<emphasis>
Stresses a particular word
<prosody pitch=”high”>
Shifts pitch higher
<prosody pitch=”low”>
Shifts pitch lower
Eleven v4 equivalent
<break time=”1s”>
[pause], an ellipsis in your text, or a line break
<prosody rate=”slow”>
[drawn out] or [slowly]
<prosody rate=”fast”>
[rushed]
<emphasis>
[shouts] or capitalizing a word
<prosody pitch=”high”>
Emotional tags like [excited]
<prosody pitch=”low”>
Emotional TTS tags like [softly] or [sorrowful]

लेखक के नज़रिए से, किसी लाइन में [whispers] जोड़ना prosody रेट कॉन्फ़िगर करने से कहीं आसान है।

v3 में Audio Tags की कैटेगरी: Audio Tags से परफ़ॉर्मेंस निर्देशित करें

आप रीयल टाइम में डिलीवरी को आकार देने के लिए अपनी स्क्रिप्ट में कहीं भी Audio Tags लगा सकते हैं। आप स्क्रिप्ट में या एक ही वाक्य में टैग के कॉम्बिनेशन भी इस्तेमाल कर सकते हैं।

टैग इन मुख्य कैटेगरी में आते हैं।

भावनाएं

ये टैग वॉइस का भावनात्मक टोन सेट करने में मदद करते हैं, चाहे वह उदास, तीव्र या उत्साहित हो। उदाहरण के लिए, आप [sad], [angry], [happily], और [sorrowful] में से एक या इनके कॉम्बिनेशन का इस्तेमाल कर सकते हैं।

[sorrowful] I couldn't sleep that night. The air was too still, and the moonlight kept sliding through the blinds like it was trying to tell me something.
[quietly] And suddenly,
that's when I saw it.
0:00
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? [sighs] I was seriously about to just trash the whole thing, start over, give up probably.
But then [chuckles] 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. [sighs] I stayed up till like 3:00 a.m. just typing like a maniac. Didn't even stop for coffee. [chuckles] And it's, it's good, like really good. It feels so complete now, you know? Like it finally has a soul. [sighs] 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.
0:00

डिलीवरी और गति

ये टोन और परफ़ॉर्मेंस से ज़्यादा जुड़े हैं। जिन दृश्यों में संयम या ज़ोर की ज़रूरत हो, उनमें वॉल्यूम और ऊर्जा समायोजित करने के लिए आप इन टैग का इस्तेमाल कर सकते हैं। उदाहरणों में [whispers], [shouts], और [softly] जैसे टैग शामिल हैं।

Could you switch my accent in the old model? [dismissive] Didn't think so, [cheeky] but you can now, so check this out. In just a sec, I'm going to speak with a different accent. And just between you and me, [whispers] I don't really know how, but okay. First, let's change it up [australian accent] so that I can fit in with the locals in Melbourne when I visit next month. [laughing] Whoa. Yeah, man, this is sick. Okay, let's try a different one, see if you can guess. [french accent] My love is like a red, red rose.
0:00
So, I was thinking we could-
[jumping in] Test our new timing features.
[surprised] Exactly! How did you-
[overlapping] Know what you were thinking? Lucky guess. Sorry, go ahead.
[cautiously] Okay. So if we both try to talk at the same time-
We'll probably crash the system?
[panicking] Wait, are we crashing? I can't tell if this is a feature or a-
[interrupting] Bug. Did I just cut you off again?
[sighing] Yes. But honestly, this is kind of fun.
0:00

मानवीय प्रतिक्रियाएं

सच्चे स्वाभाविक बोलचाल में प्रतिक्रियाएं शामिल होती हैं। उदाहरण के लिए, आप बोलने में प्राकृतिक, बिना स्क्रिप्ट वाले पल जोड़कर उसे ज़्यादा वास्तविक बना सकते हैं। [laughs], [clears throat], और [sighs] जैसे टैग TTS मॉडल को मानवीय भावनाएं व्यक्त करने में सक्षम बनाते हैं।

अलग-अलग ऑडियो टैग कैटेगरी के अन्य उदाहरण:

  • ऐक्सेंट और कैरेक्टर वॉइस: ऐक्सेंट टैग मॉडल बदले बिना वॉइस को किसी खास क्षेत्र या व्यक्तित्व में बदल देते हैं, जैसे [French accent], [British accent], या [pirate voice]। इनसे एक ही वॉइस को एक तय परफ़ॉर्मेंस के बजाय कई तरह के किरदारों में बदलें।
  • साउंड इफेक्ट्स: साउंड इफेक्ट टैग जनरेशन में सीधे गैर-वाक् ऑडियो जोड़ते हैं, जैसे [gunshot], [explosion], और [clapping]। ये इमर्सिव ऑडियो, गेम्स और नाटकीय नैरेशन के लिए बढ़िया हैं, जहां सीन को सिर्फ़ वॉइस से ज़्यादा की ज़रूरत होती है। इसके बजाय, ElevenCreative AI साउंड इफेक्ट जनरेटर इस्तेमाल करें।

टैग आपको बहुत ज़्यादा नियंत्रण देते हैं, लेकिन आप रिदम और ज़ोर को आकार देने के लिए विराम चिह्न भी इस्तेमाल कर सकते हैं। उदाहरण के लिए, स्वाभाविक ठहराव के लिए इलिप्सिस जोड़ें या प्राकृतिक सांस लेने के पैटर्न के लिए कॉमा इस्तेमाल करें। ज़ोर देने के लिए किसी शब्द को सभी कैपिटल अक्षरों में लिखें: “मुझे यह अभी चाहिए।”

We're off under the lights here for this semifinal clash, the stadium buzzing with anticipation. Eleven Labs united in their iconic black and white shirts, pushing forward with intent straight from the opening whistle. [excited] The ball is zipped out wide, early attack here. Driving down the wing, pace to burn, [shouting] he skids past one, skips past two. Oh, this is beautiful. One-on-one with the fullback, cuts inside. Oh, that's a lovely bit of footwork. PURE MAGIC on the pitch. ElevenLabs on top form tonight.
0:00
Oh my God. [laughing] You guys, like no joke, I just tried this TTS thing and it was, like, weirdly emotional. Like, it literally said hi, and I was, like, on the verge of tears. [laughing] I don't even cry, okay? I'm a Capricorn.
0:00

Audio Tags से आप क्या कर सकते हैं?

Audio Tags सहज तरीके से स्क्रिप्ट की भावनात्मक जटिलता को खोलते हैं। स्वाभाविक रूप से लिखें और जरूरत के अनुसार टैग जोड़ते जाएं।

यहां Audio Tags के साथ भावनात्मक TTS के कुछ इस्तेमाल के मामलों की एक झलक है।

AI ऑडियो में स्थितिजन्य जागरूकता

[whisper] या [shouting] जैसे टैग Eleven v4 को पल के मुताबिक़ प्रतिक्रिया देने देते हैं। चेतावनी को नरम करने से लेकर सस्पेंस के लिए लंबा ठहराव बनाए रखने तक, आप अपनी स्क्रिप्ट में डायनामिक स्थितिजन्य जागरूकता जोड़ सकते हैं।

पूरी जानकारी के लिए हमारी AI ऑडियो में स्थितिजन्य जागरूकता गाइड देखें।

स्पीच में कैरेक्टर परफ़ॉर्मेंस निर्देशित करना

कई किरदारों वाली स्क्रिप्ट बनाते समय, आप साफ़ तौर पर दिखाना चाहते हैं कि हर वॉइस कैसे अलग है। [sarcastically] से उनके व्यक्तित्व में बदलाव करने से लेकर [British accent] से उनके बोलने का ढंग तय करने तक, आप हमारे TTS इंजन के साथ भावनाओं की पूरी रेंज कैप्चर कर सकते हैं।

इसके बारे में और जानें: AI स्पीच में कैरेक्टर परफ़ॉर्मेंस निर्देशित करना।

स्पीच में भावनात्मक कॉन्टेक्स्ट व्यक्त करना

Audio Tags से आप लाइन के आगे बढ़ने के साथ उसकी भावनात्मक डिलीवरी को आकार दे सकते हैं। आप पूरे भाषण में भावनाएं विकसित कर सकते हैं और उस पल चरम तक पहुंच सकते हैं, जब आप अपने किरदार को उसकी पूरी क्षमता पर देखते हैं। [awe], [booming], और [big laugh] जैसे टैग आपकी AI वॉइस परफ़ॉर्मेंस में भावनाओं की पूरी रेंज बनाने में मदद करते हैं।

इसके इस्तेमाल के बारे में और पढ़ें: AI स्पीच में भावनात्मक कॉन्टेक्स्ट। 

मल्टी-कैरेक्टर डायलॉग को जीवंत बनाना

मल्टी-कैरेक्टर डायलॉग परफ़ॉर्मेंस बनाते समय, विस्तृत किरदारों की बातचीत तैयार करने के लिए आप हर लाइन की शुरुआत एक ऑडियो टैग से कर सकते हैं। 

इसे उदाहरण के तौर पर देखें: Tom: [coughing] [beginning to speak] माफ़ कीजिए, आज मेरी तबीयत थोड़ी ख़राब है— Emma: [interrupting] —बीमार? तुम्हें पता है मुझे खांसी से कितनी नफ़रत है, Tom! Tom: [surprised] बस हल्की-सी खांसी है, कोई गंभीर बात नहीं। अगर तुम्हें— Emma: [overlapping] [annoyed] —मुझे लगता है तुम्हें घर जाना चाहिए। 

देखें कि Eleven v3 पर मल्टी-कैरेक्टर डायलॉग के साथ आप और क्या कर सकते हैं।

AI स्पीच के लिए सटीक डिलीवरी नियंत्रण

आप Audio Tags या विराम चिह्नों के ज़रिए Eleven v3 और Eleven v4 में स्पीच की गति नियंत्रित कर सकते हैं। [pause], [rushed], या [drawn out] जैसे टैग आपको लाइन को सटीकता से सक्रिय रूप से आकार देने देते हैं। इसके बजाय, अपने TTS परफ़ॉर्मेंस में स्वाभाविक रूप से भावनाएं जोड़ने के लिए इलिप्सिस, पूर्ण विराम और विस्मयादिबोधक चिह्न जोड़ें।

हमने Eleven v3 पर सटीक डिलीवरी नियंत्रण के बारे में एक विस्तृत गाइड लिखी है।

भावनात्मक TTS API पर उपलब्ध है

Audio Tags टेक्स्ट टू स्पीच API के ज़रिए उसी तरह काम करते हैं, जैसे ElevenLabs UI में करते हैं। स्क्रिप्ट टेक्स्ट के साथ टैग इनलाइन लिखें, और API जनरेट किए गए ऑडियो में टैग वाली परफ़ॉर्मेंस वापस देगा—ऑडियोबुक पाइपलाइन से लेकर विज्ञापन वॉइसओवर तक। 

इसके बारे में और जानें: Eleven v4 या सेल्स से संपर्क करें और आज ही शुरुआत करें।

Audio Tags और भावनात्मक TTS: अक्सर पूछे जाने वाले सवाल

लेखक

Man smiling, wearing a checkered shirt against a plain background.

Jack Limebear

Growth Marketing

प्रोफ़ाइल देखें

Jack Limebear हमारी ग्रोथ टीम में हैं और ब्लॉग व इनसाइट्स पेज के लिए कंटेंट राइटर और स्ट्रैटेजिस्ट के तौर पर काम करते हैं। ElevenLabs से पहले, उन्होंने दस साल से ज़्यादा समय तक तेज़ी से बढ़ती SaaS स्टार्टअप्स से लेकर Fortune 500 कंपनियों तक के लिए कंटेंट स्ट्रैटेजी लीड की है। उनके पास यूनिवर्सिटी ऑफ़ कैम्ब्रिज से इंग्लिश लिटरेचर में मास्टर डिग्री है।

संबंधित लेख

उच्चतम गुणवत्ता वाले AI ऑडियो के साथ बनाएं

सेल्स से बात करेंसाइन अप करें