Jak dodawać pauzy w nałożonym głosie AI z Eleven v4

W modelu AI Text to Speech sposób wypowiedzi jest wszystkim. Choć jakość głosu i rozumienie prozodii mają duże znaczenie, bez odpowiedniego tempa zdanie się rozpada. Dodatkowa chwila po kwestii lub dłuższa cisza może pomóc stworzyć wysokiej jakości nagranie. 

Standardowe narzędzia Text to Speech zostawiają pauzy przypadkowi. Jedna generacja może dać efekt, którego szukasz, ale zniknie on przy kolejnym kliknięciu „generuj ponownie”. Eleven v4 oferuje lepsze workflow ponownej generacji, więc to już przeszłość. Z łatwością dopracujesz pojedyncze kwestie lub frazy w swoim skrypcie. 

Aby od początku stworzyć jak najlepszy skrypt, Eleven v4 daje ci trzy sposoby na dodawanie pauz do nałożonego głosu AI bezpośrednio w tekście. Zobacz, jak działa każdy z nich i kiedy go używać.

Podsumowanie

• Tagi SSML nie działają w Eleven v4. System używa Tagi audio, czyli wskazówek reżyserskich, takich jak [long pause] lub [whispers], które wpisujesz bezpośrednio w skrypcie.
• Zmieniając interpunkcję, możesz wpływać na rytm zdania — myślniki, wielokropki i krótkie zdania kształtują brzmienie wygenerowanego TTS.
• Aby tworzyć skuteczne pauzy, umieszczaj je tam, gdzie ludzki mówca naturalnie by się zatrzymał.
• Tworząc długie audio, stosuj te same zasady pauz w całym tekście, aby zachować spójny efekt.

Co zmieniło się względem wcześniejszych modeli?

Wcześniejsze modele ElevenLabs, takie jak Multilingual v2, obsługiwały składnię SSML. Aby dodać 2-sekundową pauzę w zdaniu, można było użyć konstrukcji <break time=”2.0s” />. Eleven v4 rozwija podejście wprowadzone w Eleven v3 i zastępuje tagi SSML znacznie bardziej intuicyjną alternatywą — Audio Tags.

Dla autorów ta zmiana znacznie ułatwia tworzenie pauz w nałożonym głosie AI. Zamiast znać dokładny tag SSML, wystarczy pisać zwykłym językiem — nałożonym głosie [pause] i [long pause] zrobią resztę. Te tagi stają się wskazówkami dla modelu, który reaguje na nie i wykorzystuje kontekst sceny, aby stworzyć dopracowaną końcową interpretację. Dokładna długość pauzy pasuje do chwili, zamiast być z góry określoną, mechaniczną przerwą ciszy.

Choć nie jest to tematem tego artykułu, możesz też używać Audio Tags, aby tworzyć emocjonalne nagrania Text to Speech, zmieniając emocje w obrębie akapitu. 

Trzy sposoby kontrolowania pauz w Eleven v4

Eleven v4 daje ci trzy sposoby dodawania pauz w nałożonym głosie AI. 

Pokażemy, jak każdy z nich działa w praktyce w naszym edytorze tekstu i jak brzmi na przykładzie audio.

[pause]

Pauza to krótka chwila. Mniej więcej odpowiada oddechowi lub naturalnej przerwie, jaką robi mówca przed kontynuowaniem zdania. Tag Audio [pause] najlepiej stosować po zdaniu wprowadzającym, między dwiema myślami, które chcesz rozdzielić, po frazie wymagającej dodatkowego podkreślenia albo tam, gdzie sama kropka zbyt mocno przyspiesza tempo.

W poniższym przykładzie używamy tej samej kwestii z tagiem Audio [pause] i bez niego. Nawet bez odsłuchiwania klipów zauważysz, że jeden trwa cztery sekundy, a drugi sześć. Dodatkowe chwile zapewniane przez [pause] sumują się w końcowych klipach.

Powyższe klipy wygenerowano głosem Flint w Eleven v4.

[long pause]

Długa pauza jest bardziej celowa i tworzy chwile ciszy w klipach audio. Możesz wykorzystać ją do budowania napięcia, między scenami, przed ujawnieniem czegoś ważnego lub wszędzie tam, gdzie chcesz podkreślić ciszę.

Oto przykład [long pause] w scenie.

Ten klip audio został nagrany głosem Spuds Oxley w Eleven v4.

Interpunkcja

Eleven v4 używa interpunkcji jako wskazówki tempa. Dodanie wielokropka spowolni sposób wypowiedzi i pozwoli stworzyć chwile wahania. Zmiana struktury zdań przełamie monotonię dłuższego fragmentu. Krótko. Zwięźle. Bezpośrednio.

Możesz używać Audio Tags w całym skrypcie — i warto to robić, by poprawić sposób wypowiedzi — ale sama interpunkcja też może wiele zmienić.

W poniższym fragmencie zobaczysz, jak interpunkcja ożywia tekst, nawet bez Audio Tags.

Ten przykład audio ożył dzięki głosowi Lauren B w Eleven v4.

Pauzy w długich nagraniach audio

Generowanie długiego audio działa najlepiej, gdy konsekwentnie stosujesz jedno podejście w całym skrypcie. Na przykład jeśli w pierwszych 1500 znakach używasz tylko interpunkcji, a w ostatnich 1000 zaczynasz dodawać tagi Audio [long pause], efekt może brzmieć dziwnie.

Zanim napiszesz skrypt, zdecyduj, jakie podejście wybierasz. Jeśli tekst jest już gotowy, pamiętaj, by konsekwentnie stosować Audio Tags w całym tekście. Przycisk „v4 Enhance” obok „Generate speech” automatycznie doda Audio Tags do twojego tekstu.

Zacznij z Eleven v4 w ElevenCreative

Eleven v4 ożywia twoje sceny.

Kontrolując tempo tekstu i dodając Audio Tags, możesz tworzyć bogate interpretacje głosowe z użyciem ponad 17 500 głosów z naszej Biblioteka głosów.

Przeczytaj pełny przewodnik po emocjonalnym Text to Speech, aby dowiedzieć się więcej, lub załóż konto, by rozpocząć pierwszą generację jeszcze dziś.

FAQ: dodawanie pauz w nałożonym głosie AI