Jak dodawać pauzy w nałożonym głosie AI z Eleven v4

W modelu AI Text to Speech liczy się sposób podania. Choć jakość głosu i rozumienie prozodii mają duże znaczenie, bez odpowiedniego tempa zdanie traci sens. Dodatkowa chwila po kwestii lub dłuższa cisza mogą pomóc stworzyć wysokiej jakości nagranie. 

Standardowe narzędzia Text to Speech pozostawiają pauzy przypadkowi. Jedna generacja może dać efekt, którego szukasz, ale po ponownym wygenerowaniu może go już nie być. Eleven v4 oferuje lepsze workflow ponownej generacji, więc to już przeszłość. Z łatwością dopracujesz pojedyncze kwestie lub frazy w 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 działają i kiedy ich używać.

Podsumowanie

• SSML nie działa w Eleven v4. System korzysta z Audio Tags, czyli wskazówek scenicznych, takich jak [long pause] lub [whispers], wpisywanych bezpośrednio w skrypcie.
• Zmiana interpunkcji może wpłynąć na rytm zdania. Myślniki, wielokropki i krótkie zdania kształtują brzmienie wyniku TTS.
• Aby tworzyć skuteczne pauzy, umieszczaj je tam, gdzie osoba mówiąca naturalnie by się zatrzymała.
• W dłuższych nagraniach stosuj te same zasady pauz, by zachować spójność wyniku.

Co zmieniło się względem wcześniejszych modeli?

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

Dla autorów ta zmiana znacznie ułatwia dodawanie pauz do nałożonego głosu AI voiceover. Nie musisz znać dokładnego tagu SSML — wystarczy pisać prostym językiem, a [pause] i [long pause] zrobią resztę. Te tagi stają się wskazówkami dla modelu, który reaguje na nie i wykorzystuje kontekst sceny, by stworzyć dopracowaną końcową interpretację. Długość pauzy pasuje do chwili, zamiast być z góry ustaloną, mechaniczną przerwą ciszy.

Choć to nie jest temat tego artykułu, możesz też używać Audio Tags, by tworzyć emocjonalne nagrania Text to Speech poprzez zmianę emocji w akapicie. 

Trzy sposoby kontrolowania pauz w Eleven v4

Eleven v4 daje ci trzy sposoby dodawania pauz do nałożonego głosu AI. 

Pokażemy, jak każdy z nich działa w praktyce w naszym edytorze tekstu, oraz omówimy ich efekt na przykładzie audio.

[pause]

Pauza to krótka przerwa. Jest zbliżona do oddechu lub naturalnej chwili, którą osoba mówiąca robi przed kontynuowaniem zdania. Tagu Audio Tag [pause] najlepiej używać po zdaniu wprowadzającym, między dwiema ideami, które chcesz rozdzielić, po frazie wymagającej dodatkowego podkreślenia lub wszędzie tam, gdzie sama kropka tworzy zbyt szybkie tempo.

W poniższym przykładzie używamy tej samej kwestii z tagiem Audio Tag [pause] i bez niego. Nawet bez odsłuchiwania klipów zauważysz, że jeden trwa cztery sekundy, a drugi sześć. Dodatkowe przerwy dodawane przez [pause] wydłużają końcowe klipy.

Powyższe klipy wygenerowano głosem Flint w Eleven v4.

[long pause]

Długa pauza jest bardziej zamierzona i tworzy chwile ciszy w klipach audio. Możesz wykorzystać tę ciszę do budowania dramatycznego napięcia, podczas przejścia między scenami, przed ujawnieniem czegoś lub wszędzie tam, gdzie chcesz podkreślić ciszę.

Oto przykład użycia [long pause] w scenie.

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

Interpunkcja

Eleven v4 traktuje interpunkcję jako wskazówkę dotyczącą tempa. Dodanie wielokropka spowolni wypowiedzenie kwestii, pozwalając tworzyć chwile wahania. Zmiana struktury zdań przełamie monotonię dłuższego fragmentu. Krótko. Zwięźle. Wprost.

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

Poniższy fragment pokazuje, jak interpunkcja ożywia tekst nawet bez Audio Tags.

Ta próbka audio ożyła dzięki głosowi Lauren B w Eleven v4.

Pauzy w długich nagraniach

Generowanie długich nagrań działa najlepiej, gdy stosujesz spójne podejście w całym skrypcie. Jeśli na przykład przez pierwsze 1500 znaków używasz tylko interpunkcji, a w ostatnich 1000 znakach zaczynasz dodawać Audio Tags [long pause], efekt może brzmieć dziwnie.

Zanim napiszesz skrypt, zdecyduj, jakie podejście chcesz zastosować. Jeśli już go masz, używaj Audio Tags konsekwentnie w całym tekście. Przycisk „v4 Enhance” obok „Generate speech” automatycznie doda Audio Tags do twojego tekstu.

Zacznij korzystać 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 Voice Library.

Przeczytaj pełny przewodnik po emocjonalnym Text to Speech , aby dowiedzieć się więcej, lub zarejestruj się i rozpocznij pierwszą generację jeszcze dziś.

FAQ: dodawanie pauz do nałożonego głosu AI