O que são Audio Tags? O guia completo para TTS emocional

Audio Tags são instruções em linguagem natural entre colchetes, como [laughs], [gasps], [excited] e [worried], que o Eleven v3 e o Eleven v4 interpretam como direcionamento de interpretação, e não como palavras a serem faladas. Ao escrever um roteiro para um modelo de Text to Speech, inserir essas Audio Tags dá a você controle detalhado sobre a interpretação emocional do texto.

Eleven v3 ficou disponível ao público em março de 2026. Antes do v3, conseguir uma interpretação emocional específica de um modelo de Text to Speech exigia gerar o conteúdo novamente e torcer pelo melhor. As Audio Tags eliminam essa incerteza e dão a você controle total sobre uma interpretação emocional de texto em voz. Eleven v4 vai ainda mais longe, oferecendo controle emocional detalhado.

Este guia explica o que são Audio Tags, como elas funcionam, todas as categorias de tags disponíveis e como se comparam ao SSML (Speech Synthesis Markup Language). Também abordaremos casos de uso comuns, cada um com um guia dedicado.

Resumo

• Audio Tags são instruções entre colchetes, como [shouts] ou [excited], que direcionam emoção, ritmo, interpretação e tom no TTS do Eleven v3 e do Eleven v4.
• O Eleven v3 e o Eleven v4 não oferecem suporte a SSML, mas o substituem por Audio Tags para uma experiência de escrita mais natural.
• As tags abrangem algumas categorias, como emoções, interpretação e ritmo, reações humanas, sotaques e efeitos sonoros.
• A pontuação e o uso de maiúsculas no texto permitem moldar o ritmo da interpretação de uma voz IA.
• Você pode acessar as Audio Tags na ElevenLabs pela interface ou pela API.

Como as Audio Tags funcionam?

As Audio Tags ficam no meio da transcrição e vêm entre colchetes. Sempre que quiser mudar a interpretação, por exemplo, de normal para [worried], basta adicionar uma audio tag.

Você também pode usar mais de uma tag na mesma frase e combinar tags para uma interpretação com mais camadas, como [tired] Foi um dia longo… [upset] Por quantos dias mais eu vou aguentar?

A arquitetura do Eleven v4 permite que o modelo compreenda o contexto em um nível mais profundo que os modelos anteriores, seguindo instruções emocionais, mudanças de tom, transições entre falantes e pistas de contexto sem precisar de um parâmetro ou configuração separado. Basta dizer ao modelo o que o momento pede, e ele interpretará a fala exatamente como você planejou.

O Eleven v4 também lida com diálogos entre vários falantes de forma espontânea, incluindo interrupções, mudanças de humor e a troca natural de uma conversa real, tudo a partir apenas de tags e da estrutura do roteiro.

Audio Tags vs. SSML

Se você já trabalhou com outros sistemas de TTS, provavelmente conhece a Speech Synthesis Markup Language. Plataformas como Amazon Polly e Microsoft Azure Speech usam tags SSML, como <break> ou <emphasis>, para dar mais contexto a um roteiro de TTS.

O Eleven v4 não oferece suporte a tags de pausa do SSML nem ao restante do conjunto de tags SSML. Em vez disso, Audio Tags, a pontuação e a própria estrutura do texto assumem essa função, oferecendo ao mesmo tempo controle detalhado sobre a interpretação.

Você pode usar a tabela abaixo para relacionar tags SSML comuns ao equivalente no Eleven v4.

Para quem escreve, adicionar [whispers] a uma fala exige muito menos esforço do que configurar uma taxa de prosódia.

As categorias de Audio Tags no v3: direcionando interpretações com Audio Tags

Você pode inserir Audio Tags em qualquer ponto do roteiro para moldar a interpretação em tempo real. Também pode combinar tags em um roteiro ou até em uma frase.

As tags se dividem nas seguintes categorias principais.

Emoções

Essas tags ajudam a definir o tom emocional da voz, seja sombrio, intenso ou animado. Por exemplo, você pode usar uma ou uma combinação de [sad], [angry], [happily] e [sorrowful].

Interpretação e ritmo

Elas têm mais a ver com tom e interpretação. Você pode usar essas tags para ajustar o volume e a energia em cenas que pedem contenção ou intensidade. Alguns exemplos são [whispers], [shouts] e [softly].

Reações humanas

A fala realmente natural inclui reações. Você pode usar isso para dar mais realismo, inserindo momentos naturais e não roteirizados na fala. Tags como [laughs], [clears throat] e [sighs] ajudam a criar um modelo de TTS capaz de transmitir emoção humana.

Outros exemplos de categorias de audio tags incluem:

• Sotaques e vozes de personagens: As tags de sotaque mudam a voz para uma região ou persona específica sem trocar de modelo, como [French accent], [British accent] ou [pirate voice]. Use-as para transformar uma única voz em um elenco versátil, em vez de uma interpretação fixa.
• Efeitos sonoros: As tags de efeitos sonoros adicionam áudio não falado diretamente à geração, como [gunshot], [explosion] e [clapping]. Elas funcionam bem em áudios imersivos, jogos e narrações dramatizadas, quando a cena precisa de mais do que uma voz. Como alternativa, use o gerador de efeitos sonoros com IA ElevenCreative.

Embora as tags ofereçam alto grau de controle, você também pode usar a pontuação para moldar ritmo e ênfase. Por exemplo, adicione reticências para uma pausa natural ou use vírgulas para criar padrões de respiração naturais. Tente escrever uma palavra inteira em maiúsculas para dar ênfase: “Eu quero isso AGORA.”

O que você pode fazer com Audio Tags?

As Audio Tags liberam a complexidade emocional dos roteiros de maneira intuitiva. Escreva naturalmente e adicione tags conforme avança.

Veja alguns casos de uso de TTS emocional com Audio Tags.

Consciência situacional em áudio com IA

Tags como [whisper] ou [shouting] permitem que o Eleven v4 reaja ao momento. De suavizar um aviso a manter uma pausa prolongada para criar suspense, você pode criar consciência situacional dinâmica no seu roteiro.

Para uma explicação completa, confira nosso guia sobre consciência situacional em áudio com IA.

Direcionando a interpretação de personagens na fala

Ao criar um roteiro com vários personagens, é importante mostrar claramente como cada voz é diferente. De ajustar a personalidade com [sarcastically] a definir como falam com [British accent], você pode captar toda uma gama de emoções com nosso mecanismo de TTS.

Saiba mais sobre como direcionar a interpretação de personagens em fala com IA.

Expressando contexto emocional na fala

As Audio Tags permitem moldar a interpretação emocional de uma fala à medida que ela avança. Você pode desenvolver emoções ao longo do discurso e chegar a um clímax no momento em que imagina seu personagem no máximo do seu potencial. Tags como [awe], [booming] e [big laugh] ajudam a criar toda uma gama emocional na interpretação da sua voz IA.

Leia mais sobre como usar contexto emocional em fala com IA.

Dando vida a diálogos com vários personagens

Ao criar interpretações de diálogo com vários personagens, você pode começar cada fala com uma audio tag para desenvolver conversas ricas entre personagens.

Veja o exemplo a seguir: Tom: [coughing] [beginning to speak] desculpe, estou um pouco doente hoje— Emma: [interrupting] —Doente? Você sabe como eu odeio tosse, Tom! Tom: [surprised] É só uma tosse leve, não é nada sério. Como você se sentiria se— Emma: [overlapping] [annoyed] —Acho que você precisa ir para casa.

Veja o que mais você pode fazer com diálogos com vários personagens no Eleven v3.

Controle preciso da interpretação para fala com IA

Você pode controlar o ritmo da fala no Eleven v3 e no Eleven v4 com Audio Tags ou por meio da pontuação. Tags como [pause], [rushed] ou [drawn out] permitem moldar ativamente a fala com precisão. Como alternativa, adicione reticências, pontos finais e pontos de exclamação para criar emoção naturalmente na sua interpretação de TTS.

Escrevemos um guia detalhado sobre controle preciso de interpretação no Eleven v3.

TTS emocional está disponível na API

As Audio Tags funcionam da mesma forma pela API de Text to Speech e na interface da ElevenLabs. Escreva a tag diretamente no texto do roteiro, e a API retornará a interpretação indicada no áudio gerado, de fluxos de produção de audiolivros a locuções para anúncios.

Saiba mais sobre Eleven v4 ou fale com vendas para começar hoje.

Perguntas frequentes sobre Audio Tags e TTS emocional