Czym są Audio Tags? Kompletny przewodnik po emocjonalnym TTS

Audio Tags to wskazówki w nawiasach kwadratowych, zapisane naturalnym językiem, np. [laughs], [gasps], [excited] i [worried], które Eleven v3 i Eleven v4 odczytują jako wskazówki wykonawcze, a nie słowa do wypowiedzenia. Gdy piszesz skrypt dla modelu zamiany tekstu na mowę, Audio Tags dają ci precyzyjną kontrolę nad emocjonalnym przekazem tekstu. 

Eleven v3 stał się publicznie dostępny w marcu 2026 roku. Przed v3 uzyskanie konkretnej emocjonalnej interpretacji z modelu Text to Speech wymagało ponownego generowania treści i liczenia na najlepsze. Audio Tags eliminują zgadywanie i dają ci pełną kontrolę nad emocjonalną interpretacją tekstu przez model zamiany tekstu na mowę. Eleven v4 idzie jeszcze dalej, dając ci precyzyjną kontrolę nad emocjami.

Ten przewodnik wyjaśnia, czym są Audio Tags, jak działają, jakie kategorie tagów są dostępne i czym różnią się od SSML (Speech Synthesis Markup Language). Omówimy też typowe zastosowania — każde z linkiem do osobnego przewodnika.

Podsumowanie

• Audio Tags to wskazówki w nawiasach kwadratowych, takie jak [shouts] czy [excited], które sterują emocjami, tempem, sposobem wypowiedzi i tonem TTS w Eleven v3 i Eleven v4.
• Eleven v3 i Eleven v4 nie obsługują SSML, ale zastępują go Audio Tags, co pozwala pisać bardziej naturalnie.
• Tagi obejmują kilka kategorii, m.in. emocje, sposób wypowiedzi i tempo, ludzkie reakcje, akcenty oraz efekty dźwiękowe.
• Interpunkcja i wielkie litery w tekście pozwalają kształtować tempo interpretacji głosu AI.
• Z Audio Tags w ElevenLabs możesz korzystać w interfejsie lub przez API.

Jak działają Audio Tags?

Audio Tags umieszczasz bezpośrednio w transkrypcji, w nawiasach kwadratowych. Gdy chcesz zmienić sposób wypowiedzi, na przykład z normalnego na [worried], po prostu dodaj tag audio.

Możesz też użyć więcej niż jednego tagu w zdaniu i łączyć je, by uzyskać bardziej złożoną interpretację, np. [tired] To był długi dzień… [upset] Ile jeszcze dni tak wytrzymam?

Architektura Eleven v4 pozwala modelowi rozumieć kontekst głębiej niż wcześniejsze modele. Dzięki temu śledzi wskazówki emocjonalne, zmiany tonu, przejścia między mówcami i kontekst bez osobnych parametrów czy ustawień. Po prostu powiedz modelowi, czego wymaga dana chwila, a odegra kwestię tak, jak chcesz.

Eleven v4 obsługuje też wielogłosowe dialogi, które brzmią spontanicznie — z przerwami, zmianami nastroju i naturalną wymianą zdań — wyłącznie na podstawie tagów i struktury skryptu. 

Audio Tags a SSML

Jeśli pracujesz z innymi systemami TTS, prawdopodobnie znasz Speech Synthesis Markup Language. Platformy takie jak Amazon Polly i Microsoft Azure Speech używają tagów SSML, takich jak <break> lub <emphasis>, by dodać kontekst do skryptu TTS. 

Eleven v4 nie obsługuje tagów przerw SSML ani pozostałych tagów SSML. Zamiast tego Audio Tags, interpunkcja i sama struktura tekstu przejmują tę rolę, oferując precyzyjną kontrolę nad sposobem wypowiedzi.

Poniższa tabela pomoże ci dopasować popularne tagi SSML do ich odpowiedników w Eleven v4.

Z perspektywy autora dodanie [whispers] do kwestii wymaga znacznie mniej wysiłku niż ustawienie tempa prozodii.

Kategorie Audio Tags w v3: sterowanie interpretacją za pomocą Audio Tags

Audio Tags możesz umieścić w dowolnym miejscu skryptu, by na bieżąco kształtować sposób wypowiedzi. Możesz też łączyć tagi w skrypcie, a nawet w jednym zdaniu.

Tagi należą do poniższych głównych kategorii.

Emocje

Te tagi pomogą ci określić emocjonalny ton głosu — melancholijny, intensywny lub pogodny. Możesz na przykład użyć jednego tagu albo połączyć [sad], [angry], [happily] i [sorrowful].

Sposób wypowiedzi i tempo

Dotyczą bardziej tonu i interpretacji. Użyj ich, by dostosować głośność i energię w scenach wymagających powściągliwości lub siły. Przykłady to [whispers], [shouts] i [softly].

Ludzkie reakcje

Prawdziwie naturalna mowa zawiera reakcje. Możesz dzięki nim dodać realizmu, wplatając w wypowiedź naturalne, nieskryptowane momenty. Tagi takie jak [laughs], [clears throat] i [sighs] pomagają stworzyć model TTS zdolny przekazywać ludzkie emocje.

Inne przykłady kategorii tagów audio:

• Akcenty i głosy postaci: Tagi akcentów zmieniają głos w określony regionalny akcent lub personę bez zmiany modelu, np. [French accent], [British accent] czy [pirate voice]. Dzięki nim jeden głos staje się elastyczną obsadą, a nie jedną stałą interpretacją.
• Efekty dźwiękowe: Tagi efektów dźwiękowych dodają bezpośrednio do generowania dźwięki inne niż mowa, np. [gunshot], [explosion] i [clapping]. Sprawdzają się w immersyjnym audio, grach i dramatyzowanej narracji, gdy scena potrzebuje czegoś więcej niż głosu. Możesz też użyć generatora efektów dźwiękowych AI ElevenCreative.

Tagi dają ci dużą kontrolę, ale rytm i nacisk możesz też kształtować interpunkcją. Na przykład dodaj wielokropek, by uzyskać naturalną pauzę, lub użyj przecinków, by stworzyć naturalny rytm oddechu. Spróbuj zapisać słowo wielkimi literami, by je podkreślić: „Chcę tego WŁAŚNIE TERAZ.”

Co możesz zrobić z Audio Tags?

Audio Tags w intuicyjny sposób uwalniają emocjonalną złożoność skryptów. Pisz naturalnie i dodawaj tagi po drodze.

Oto krótki przegląd zastosowań emocjonalnego TTS z Audio Tags.

Świadomość sytuacyjna w audio AI

Tagi takie jak [whisper] czy [shouting] pozwalają Eleven v4 reagować na sytuację. Od złagodzenia ostrzeżenia po wydłużoną pauzę budującą napięcie — możesz dodać do skryptu dynamiczną świadomość sytuacyjną.

Pełne omówienie znajdziesz w naszym przewodniku o świadomości sytuacyjnej w audio AI.

Reżyserowanie interpretacji postaci w mowie

Tworząc skrypt z wieloma postaciami, chcesz wyraźnie pokazać, czym różni się każdy głos. Od zmiany osobowości za pomocą [sarcastically] po określenie sposobu mówienia tagiem [British accent] — nasz silnik TTS pozwala uchwycić pełną gamę emocji.

Dowiedz się więcej o reżyserowaniu interpretacji postaci w mowie AI.

Wyrażanie emocjonalnego kontekstu w mowie

Audio Tags pozwalają kształtować emocjonalną interpretację kwestii w miarę jej rozwoju. Możesz budować emocje przez całą wypowiedź, osiągając kulminację w chwili, w której postać pokazuje pełnię swoich możliwości. Tagi takie jak [awe], [booming] i [big laugh] pomagają nadać interpretacji głosu AI pełną gamę emocji.

Przeczytaj więcej o używaniu emocjonalnego kontekstu w mowie AI. 

Ożywianie dialogów wielu postaci

Tworząc dialogi wielu postaci, możesz rozpoczynać każdą kwestię od tagu audio, by budować rozbudowane rozmowy postaci. 

Przykład: Tom: [coughing] [beginning to speak] przepraszam, trochę się dziś źle czuję— Emma: [interrupting] —Źle? Wiesz, jak nie znoszę kaszlu, Tom! Tom: [surprised] To tylko lekki kaszel, nic poważnego. Jak byś się czuła, gdyby— Emma: [overlapping] [annoyed] —Myślę, że powinieneś iść do domu. 

Zobacz, co jeszcze możesz zrobić z dialogami wielu postaci w Eleven v3.

Precyzyjna kontrola nad sposobem wypowiedzi w mowie AI

Tempo mowy w Eleven v3 i Eleven v4 możesz kontrolować przez Audio Tags lub interpunkcję. Tagi takie jak [pause], [rushed] czy [drawn out] pozwalają precyzyjnie kształtować kwestię. Możesz też dodać wielokropki, kropki i wykrzykniki, by naturalnie wbudować emocje w interpretację TTS.

Przygotowaliśmy szczegółowy przewodnik o precyzyjnej kontroli nad sposobem wypowiedzi w Eleven v3.

Emocjonalne TTS jest dostępne w API

Audio Tags działają tak samo przez Text to Speech API jak w interfejsie ElevenLabs. Umieść tag bezpośrednio w tekście skryptu, a API zwróci wygenerowane audio z odpowiednią interpretacją — od procesów tworzenia audiobooków po głosy do reklam. 

Dowiedz się więcej o Eleven v4 lub skontaktuj się z działem sprzedaży i zacznij już dziś.

FAQ: Audio Tags i emocjonalne TTS