Poznaj Eleven v4Poznaj Eleven v4, nasz najbardziej emocjonalny model.

Zrealizuj
Przejdź do treści
Zaloguj sięZarejestruj się
Napisz do nasZaloguj się

Czym są Audio Tags? Kompletny przewodnik po emocjonalnym TTS

Autor
Jack Limebear
Opublikowano
Ostatnia aktualizacja

PosłuchajPosłuchaj tego artykułu

Eleven v4
Dowiedz się więcej

Audio Tags to wskazówki w nawiasach kwadratowych, zapisane naturalnym językiem, takie jak [laughs], [gasps], [excited] i [worried]. Eleven v3 i Eleven v4 odczytują je 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 został publicznie udostępniony w marcu 2026 roku. Przed v3 uzyskanie konkretnej emocjonalnej interpretacji z modelu Text to Speech wymagało wielokrotnego generowania treści i liczenia na najlepszy efekt. Audio Tags eliminują to zgadywanie, dając ci pełną kontrolę nad emocjonalną interpretacją zamiany tekstu na mowę. Eleven v4 idzie jeszcze dalej, zapewniając precyzyjną kontrolę nad emocjami.

Z tego przewodnika dowiesz się, czym są Audio Tags, jak działają, jakie kategorie tagów są dostępne oraz jak wypadają na tle 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 kierują emocjami, tempem, sposobem wypowiedzi i tonem TTS w Eleven v3 oraz Eleven v4.
  • Eleven v3 i Eleven v4 nie obsługują SSML, lecz zastępują go Audio Tags, dzięki czemu skrypty pisze się 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 wypowiedzi głosu AI.
  • Z Audio Tags w ElevenLabs możesz korzystać w UI lub przez API.

Jak działają Audio Tags?

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

W jednym zdaniu możesz użyć kilku tagów 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 podąża za wskazówkami emocjonalnymi, zmianami tonu, przejściami między mówcami i sygnałami z kontekstu bez osobnych parametrów czy ustawień. Po prostu powiedz modelowi, czego wymaga dana chwila, a wypowie kwestię dokładnie tak, jak planujesz.

Eleven v4 obsługuje też spontanicznie brzmiące dialogi wielu osób, w tym przerwania, zmiany nastroju i naturalną wymianę zdań — wyłącznie na podstawie tagów i struktury skryptu. 

Audio Tags a SSML

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

Eleven v4 nie obsługuje tagów przerw SSML ani pozostałych tagów SSML. Zamiast nich Audio Tags, interpunkcja i sama struktura tekstu pełnią tę funkcję, jednocześnie zapewniając precyzyjną kontrolę nad sposobem wypowiedzi.

W poniższej tabeli znajdziesz odpowiedniki popularnych tagów SSML w Eleven v4.

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]

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

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

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

Tagi należą do następujących głównych kategorii.

Emocje

Te tagi pomagają ustawić emocjonalny ton głosu — ponury, intensywny lub radosny. Możesz użyć na przykład jednego tagu albo połączyć [sad], [angry], [happily] i [sorrowful].

[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

Sposób wypowiedzi i tempo

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

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

Ludzkie reakcje

Naprawdę naturalna mowa obejmuje reakcje. Możesz na przykład dodać realizmu, wplatając w wypowiedź naturalne, nieskryptowane momenty. Tagi takie jak [laughs], [clears throat] i [sighs] pomagają tworzyć model TTS, który potrafi oddać ludzkie emocje.

Inne przykłady kategorii tagów audio to:

  • Akcenty i głosy postaci: Tagi akcentów zmieniają głos na określony region lub personę bez zmiany modelu, np. [French accent], [British accent] lub [pirate voice]. Dzięki nim jeden głos może stać się elastyczną obsadą zamiast jednej stałej interpretacji.
  • Efekty dźwiękowe: Tagi efektów dźwiękowych dodają dźwięki niemowy bezpośrednio do generowania, np. [gunshot], [explosion] i [clapping]. Sprawdzają się w immersyjnym audio, grach i dramatyzowanych narracjach, gdy scena potrzebuje czegoś więcej niż głosu. Alternatywnie użyj 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”.

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

Co możesz zrobić z Audio Tags?

Audio Tags w intuicyjny sposób dodają skryptom emocjonalnej złożoności. Pisz naturalnie i dodawaj tagi po drodze.

Oto kilka zastosowań emocjonalnego TTS z Audio Tags.

Świadomość sytuacyjna w audio AI

Tagi takie jak [whisper] lub [shouting] pozwalają Eleven v4 reagować na daną chwilę. Możesz złagodzić ostrzeżenie albo wydłużyć pauzę, by budować napięcie, i w ten sposób nadać skryptowi dynamiczną świadomość sytuacyjną.

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

Kierowanie interpretacją postaci w mowie

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

Dowiedz się więcej o kierowaniu interpretacją postaci w mowie AI.

Wyrażanie emocjonalnego kontekstu w mowie

Audio Tags pozwalają kształtować emocjonalny przekaz kwestii w miarę jej rozwoju. Możesz budować emocje w całej wypowiedzi i osiągnąć kulminację dokładnie wtedy, gdy wyobrażasz sobie postać u szczytu swoich możliwości. Tagi takie jak [awe], [booming] i [big laugh] pomagają wbudować pełną gamę emocji w interpretację głosu AI.

Przeczytaj więcej o używaniu emocjonalnego kontekstu w mowie AI. 

Ożywianie dialogów wielu postaci

Tworząc dialogi wielu postaci, możesz zaczynać każdą kwestię od tagu audio, by budować bogate rozmowy postaci. 

Spójrz na ten przykład: Tom: [coughing] [beginning to speak] przepraszam, jestem dziś trochę chory— Emma: [interrupting] —Chory? 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 sposobu wypowiedzi w mowie AI

W Eleven v3 i Eleven v4 możesz kontrolować tempo mowy za pomocą Audio Tags lub interpunkcji. Tagi takie jak [pause], [rushed] i [drawn out] pozwalają precyzyjnie kształtować kwestię. Możesz też użyć wielokropków, kropek i wykrzykników, aby naturalnie dodać emocje do interpretacji TTS.

Napisaliśmy szczegółowy przewodnik o precyzyjnej kontroli sposobu wypowiedzi w Eleven v3.

Emocjonalne TTS jest dostępne przez API

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

Dowiedz się więcej o Eleven v4 lub skontaktuj się ze sprzedażą i zacznij już dziś.

FAQ: Audio Tags i emocjonalne TTS

Autor

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

Jack Limebear

Growth Marketing

Zobacz profil

Jack Limebear jest w zespole Growth, gdzie pisze teksty i tworzy strategie na bloga i stronę z insightami. Zanim dołączył do ElevenLabs, przez ponad dekadę prowadził strategie contentowe dla firm – od szybko rosnących startupów SaaS po spółki z listy Fortune 500. Ma tytuł magistra literatury angielskiej z Uniwersytetu Cambridge.

Podobne artykuły

Twórz z najwyższej jakości audio AI

Porozmawiaj z działem sprzedażyZarejestruj się