Cosa sono gli Audio Tags? La guida completa al TTS emozionale

Gli Audio Tags sono indicazioni in linguaggio naturale tra parentesi quadre, come [laughs], [gasps], [excited] e [worried], che Eleven v3 ed Eleven v4 interpretano come indicazioni di esecuzione anziché come parole da pronunciare. Quando scrivi uno script per un modello Text to Speech, l'inserimento di questi Audio Tags ti offre un controllo preciso sulla resa emotiva del testo.

Eleven v3 è diventato disponibile al pubblico a marzo 2026. Prima di v3, ottenere una specifica interpretazione emotiva da un modello Text to Speech richiedeva di rigenerare i contenuti e sperare nel meglio. Gli Audio Tags eliminano questa incertezza e ti danno il pieno controllo su un'interpretazione emotiva del text to speech. Eleven v4 si spinge ancora oltre, offrendoti un controllo emotivo preciso.

Questa guida spiega cosa sono gli Audio Tags, come funzionano, tutte le categorie di tag disponibili e come si confrontano con SSML (Speech Synthesis Markup Language). Vedremo anche i casi d'uso più comuni, ciascuno con una guida dedicata.

In sintesi

• Gli Audio Tags sono indicazioni tra parentesi quadre, come [shouts] o [excited], che definiscono emozione, ritmo, resa e tono del TTS in Eleven v3 ed Eleven v4.
• Eleven v3 ed Eleven v4 non supportano SSML, ma lo sostituiscono con gli Audio Tags per un'esperienza di scrittura più naturale.
• I tag rientrano in diverse categorie, tra cui emozioni, resa e ritmo, reazioni umane, accenti ed effetti sonori.
• La punteggiatura e le maiuscole nel testo ti permettono di modellare il ritmo dell'interpretazione di una voce IA.
• Puoi accedere agli Audio Tags su ElevenLabs tramite l'interfaccia utente o l'API.

Come funzionano gli Audio Tags?

Gli Audio Tags sono inseriti direttamente nella trascrizione e racchiusi tra parentesi quadre. Ogni volta che vuoi cambiare la resa, ad esempio da normale a [worried], ti basta aggiungere un audio tag.

Puoi anche usare più di un tag nella stessa frase e combinarli per un'interpretazione più articolata, come [tired] È stata una giornata lunga… [upset] Per quanti altri giorni posso andare avanti?

L'architettura alla base di Eleven v4 consente al modello di leggere il contesto più in profondità rispetto ai modelli precedenti, così può seguire indicazioni emotive, cambi di tono, passaggi tra speaker e indizi contestuali senza bisogno di un parametro o di un'impostazione separata. Basta dire al modello cosa richiede il momento e interpreterà la battuta esattamente come l'hai pianificata.

Eleven v4 gestisce anche dialoghi con più speaker dal suono spontaneo, incluse interruzioni, cambi d'umore e il naturale scambio di battute delle conversazioni reali, tutto grazie ai tag e alla sola struttura dello script.

Audio Tags e SSML

Se hai lavorato con altri sistemi TTS, probabilmente hai già incontrato lo Speech Synthesis Markup Language. Piattaforme come Amazon Polly e Microsoft Azure Speech usano tag SSML come <break> o <emphasis> per fornire ulteriore contesto a uno script TTS.

Eleven v4 non supporta i tag di interruzione SSML né il resto dei tag SSML. Al loro posto, Audio Tags, la punteggiatura e la struttura stessa del testo assumono questo ruolo, offrendo al contempo un controllo preciso della resa.

Puoi usare la tabella qui sotto per associare i tag SSML più comuni all'equivalente di Eleven v4.

Dal punto di vista di chi scrive, aggiungere [whispers] a una battuta richiede molto meno impegno che configurare una velocità di prosodia.

Le categorie di Audio Tags in v3: dirigere l'interpretazione con gli Audio Tags

Puoi inserire gli Audio Tags ovunque nello script per modellare la resa in tempo reale. Puoi anche usare combinazioni di tag all'interno di uno script o persino di una frase.

I tag rientrano nelle seguenti categorie principali.

Emozioni

Questi tag possono aiutarti a definire il tono emotivo della voce, che sia cupo, intenso o allegro. Ad esempio, puoi usare uno o una combinazione di [sad], [angry], [happily] e [sorrowful].

Resa e ritmo

Questi riguardano soprattutto il tono e l'interpretazione. Puoi usarli per regolare volume ed energia nelle scene che richiedono contenimento o forza. Tra gli esempi ci sono tag come [whispers], [shouts] e [softly].

Reazioni umane

Il parlato naturale autentico include le reazioni. Ad esempio, puoi usarle per aggiungere realismo, inserendo nel parlato momenti naturali e non scritti. Tag come [laughs], [clears throat] e [sighs] contribuiscono a creare un modello TTS capace di esprimere emozioni umane.

Altri esempi di categorie di audio tag includono:

• Accenti e voci dei personaggi: i tag di accento spostano la voce verso una regione o un personaggio specifici senza cambiare modello, come [French accent], [British accent] o [pirate voice]. Usali per trasformare una singola voce in un cast flessibile anziché in un'unica interpretazione fissa.
• Effetti sonori: i tag degli effetti sonori aggiungono audio non parlato direttamente alla generazione, come [gunshot], [explosion] e [clapping]. Sono ideali per audio immersivi, giochi e narrazioni drammatizzate, dove la scena richiede più di una voce. In alternativa, usa il generatore di effetti sonori IA ElevenCreative.

Sebbene i tag ti offrano un alto livello di controllo, puoi anche usare la punteggiatura per modellare ritmo ed enfasi. Ad esempio, aggiungi dei puntini di sospensione per una pausa naturale oppure usa le virgole per creare ritmi di respirazione naturali. Prova a scrivere una parola tutta in maiuscolo per aggiungere enfasi: “Lo voglio proprio ADESSO.”

Cosa puoi fare con gli Audio Tags?

Gli Audio Tags rendono accessibile in modo intuitivo la complessità emotiva degli script. Scrivi in modo naturale e aggiungi i tag man mano.

Ecco una rapida panoramica di alcuni casi d'uso del TTS emotivo con gli Audio Tags.

Consapevolezza situazionale nell'audio IA

Tag come [whisper] o [shouting] permettono a Eleven v4 di reagire al momento. Dall'attenuare un avvertimento al mantenere una pausa prolungata per creare suspense, puoi integrare una consapevolezza situazionale dinamica nel tuo script.

Per un'analisi completa, consulta la nostra guida sulla consapevolezza situazionale nell'audio IA.

Dirigere l'interpretazione dei personaggi nel parlato

Quando crei uno script con più personaggi, vuoi mostrare chiaramente in cosa ogni voce è diversa. Dal modificare la personalità con [sarcastically] al definire il modo in cui parla con [British accent], con il nostro motore TTS puoi catturare un'intera gamma di emozioni.

Scopri di più su come dirigere l'interpretazione dei personaggi nel parlato IA.

Esprimere il contesto emotivo nel parlato

Gli Audio Tags ti permettono di modellare la resa emotiva di una battuta mentre si sviluppa. Puoi costruire le emozioni lungo tutto un discorso, raggiungendo il culmine nel momento in cui immagini il tuo personaggio al massimo del suo potenziale. Tag come [awe], [booming] e [big laugh] contribuiscono a inserire un'intera gamma emotiva nell'interpretazione della tua voce IA.

Scopri di più sull'uso del contesto emotivo nel parlato IA.

Dare vita ai dialoghi con più personaggi

Quando crei interpretazioni di dialoghi con più personaggi, puoi iniziare ogni battuta con un audio tag per costruire conversazioni ricche tra i personaggi.

Prendi questo esempio: Tom: [coughing] [beginning to speak] scusa, oggi sono un po' influenzato— Emma: [interrupting] —Influenzato? Sai quanto odio la tosse, Tom! Tom: [surprised] È solo un colpetto di tosse, non è niente di grave. Come ti sentiresti se— Emma: [overlapping] [annoyed] —Credo che tu debba andare a casa.

Scopri cos'altro puoi fare con i dialoghi con più personaggi in Eleven v3.

Controllo preciso della resa per il parlato IA

Puoi controllare il ritmo del parlato in Eleven v3 ed Eleven v4 con gli Audio Tags o tramite la punteggiatura. Tag come [pause], [rushed] o [drawn out] ti permettono di modellare attivamente la battuta con precisione. In alternativa, aggiungi puntini di sospensione, punti fermi e punti esclamativi per inserire emozioni in modo naturale nella tua interpretazione TTS.

Abbiamo scritto una guida approfondita sul controllo preciso della resa in Eleven v3.

Il TTS emotivo è disponibile tramite API

Gli Audio Tags funzionano allo stesso modo tramite la Text to Speech API e nell'interfaccia utente di ElevenLabs. Scrivi il tag direttamente nel testo dello script e l'API restituirà l'interpretazione con tag nell'audio generato, dalle pipeline per audiolibri alle voci fuori campo pubblicitarie.

Scopri di più su Eleven v4 oppure contatta le vendite per iniziare oggi stesso.

FAQ sugli Audio Tags e il TTS emotivo