Vi presenterar Eleven v4Möt Eleven v4, vår mest uttrycksfulla modell hittills. Med 3× fler krediter inkluderade i Creator+ till och med den 12 oktober

Lös in
Hoppa till innehållet
Logga inRegistrera dig
Kontakta ossLogga in

Vad är Audio Tags? Den kompletta guiden till emotionell TTS

Skriven av
Jack Limebear
Publicerad
Senast uppdaterad

LyssnaLyssna på den här artikeln

Eleven v4
Läs mer

Audio Tags är naturliga instruktioner inom hakparenteser, som [laughs], [gasps], [excited] och [worried], som Eleven v3 och Eleven v4 tolkar som anvisningar för framförandet i stället för ord som ska sägas. När du skriver ett manus för en Text to Speech-modell ger dessa Audio Tags dig detaljerad kontroll över textens känslomässiga framförande. 

Eleven v3 blev tillgängligt för allmänheten i mars 2026. Före v3 innebar det att generera om innehåll och hoppas på det bästa för att få ett specifikt känslomässigt framförande från en Text to Speech-modell. Audio Tags tar bort den gissningen och ger dig full kontroll över ett känslomässigt Text to Speech-framförande. Eleven v4 tar detta ännu längre och ger dig detaljerad känslomässig kontroll.

Den här guiden förklarar vad Audio Tags är, hur de fungerar, alla tillgängliga taggkategorier och hur de skiljer sig från SSML (Speech Synthesis Markup Language). Vi går också igenom vanliga användningsområden, med länkar till en egen detaljerad guide för varje område.

Sammanfattning

  • Audio Tags är instruktioner inom hakparenteser, som [shouts] eller [excited], som styr känsla, tempo, framförande och ton i TTS i Eleven v3 och Eleven v4.
  • Eleven v3 och Eleven v4 stöder inte SSML, utan ersätter det med Audio Tags för en mer naturlig skrivupplevelse.
  • Taggar delas in i flera kategorier, som känslor, framförande och tempo, mänskliga reaktioner, accenter och ljudeffekter.
  • Skiljetecken och versaler i texten hjälper dig att forma tempot i en AI-rösts framförande.
  • Du kan använda Audio Tags i ElevenLabs via gränssnittet eller API:et.

Hur fungerar Audio Tags?

Audio Tags placeras direkt i transkriptionen och omsluts av hakparenteser. När du vill ändra framförandet, till exempel från normalt till [worried], lägger du bara till en audiotagg.

Du kan också använda fler än en tagg i samma mening och kombinera taggar för ett mer nyanserat framförande, till exempel [tired] Det har varit en lång dag… [upset] Hur många fler dagar orkar jag?

Arkitekturen bakom Eleven v4 gör att modellen kan läsa kontext på en djupare nivå än tidigare modeller. Den kan följa känslomässiga signaler, tonskiften, talarbyten och ledtrådar i sammanhanget utan separata parametrar eller inställningar. Berätta bara för modellen vad situationen kräver, så framför den repliken precis som du planerat.

Eleven v4 hanterar också spontant klingande dialoger med flera talare, inklusive avbrott, humörskiften och det naturliga samspelet i riktiga samtal – enbart utifrån taggar och manusets struktur. 

Audio Tags jämfört med SSML

Om du har arbetat med andra TTS-system har du sannolikt stött på Speech Synthesis Markup Language. Plattformar som Amazon Polly och Microsoft Azure Speech använder SSML-taggar som <break> och <emphasis> för att ge ett TTS-manus ytterligare kontext. 

Eleven v4 stöder inte SSML:s break-taggar eller övriga SSML-taggar. I stället tar Audio Tags, skiljetecken och själva textens struktur över den rollen, samtidigt som du får detaljerad kontroll över framförandet.

Använd tabellen nedan för att jämföra vanliga SSML-taggar med motsvarigheten i 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]

Ur en skribents perspektiv kräver det mycket mindre arbete att lägga till [whispers] i en replik än att konfigurera en prosody-hastighet.

Kategorier av Audio Tags i v3: Styr framförandet med Audio Tags

Du kan placera Audio Tags var som helst i manuset för att forma framförandet i realtid. Du kan också använda kombinationer av taggar i ett manus eller till och med i en mening.

Taggar delas in i följande huvudkategorier.

Känslor

Med de här taggarna kan du ange röstens känslomässiga ton, oavsett om den är dyster, intensiv eller uppåt. Du kan till exempel använda en eller en kombination av [sad], [angry], [happily] och [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

Framförande och tempo

De här handlar mer om ton och framförande. Du kan använda taggarna för att justera volym och energi i scener som behöver återhållsamhet eller kraft. Exempel är taggar som [whispers], [shouts] och [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

Mänskliga reaktioner

Verkligt naturligt tal inkluderar reaktioner. Du kan till exempel göra talet mer realistiskt genom att lägga in naturliga, oskrivna ögonblick. Taggar som [laughs], [clears throat] och [sighs] bidrar till att skapa en TTS-modell som kan förmedla mänskliga känslor.

Andra exempel på kategorier av audiotaggar är:

  • Accenter och karaktärsröster: Accenttaggar förflyttar rösten till en viss region eller persona utan att byta modell, till exempel [French accent], [British accent] eller [pirate voice]. Använd dem för att förvandla en enskild röst till en flexibel ensemble i stället för ett fast framförande.
  • Ljudeffekter: Taggar för ljudeffekter lägger till ljud som inte är tal direkt i genereringen, som [gunshot], [explosion] och [clapping]. De fungerar bra för uppslukande ljud, spel och dramatiserad berättarröst där scenen behöver mer än en röst. Du kan också använda ElevenCreative AI-ljudeffektgenerator.

Taggar ger dig hög kontroll, men du kan också använda skiljetecken för att forma rytm och betoning. Lägg till exempel till en ellips för en naturlig paus eller använd kommatecken för att skapa naturliga andningsmönster. Prova att skriva ett ord med versaler för att betona det: ”Jag vill ha det NU.”

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

Vad kan du göra med Audio Tags?

Audio Tags ger manus känslomässig komplexitet på ett intuitivt sätt. Skriv naturligt och lägg till taggar under tiden.

Här är en snabb översikt över några användningsområden för känslomässig TTS med Audio Tags.

Situationsmedvetenhet i AI-ljud

Taggar som [whisper] eller [shouting] låter Eleven v4 reagera på situationen. Du kan bygga in dynamisk situationsmedvetenhet i manuset, från att mildra en varning till att hålla en utdragen paus för att skapa spänning.

Läs vår guide om situationsmedvetenhet i AI-ljud för en fullständig genomgång.

Regissera karaktärers framförande i tal

När du bygger ett manus med flera karaktärer vill du tydligt visa hur varje röst skiljer sig åt. Du kan fånga ett helt känsloregister med vår TTS-motor, från att justera personligheten med [sarcastically] till att definiera hur de talar med [British accent].

Läs mer om att regissera karaktärers framförande i AI-tal.

Uttrycka känslomässig kontext i tal

Audio Tags gör att du kan forma en repliks känslomässiga framförande medan den utvecklas. Du kan bygga upp känslor genom hela ett tal och nå ett crescendo i det ögonblick då du ser karaktären nå sin fulla potential. Taggar som [awe], [booming] och [big laugh] hjälper dig att bygga in ett helt känsloregister i AI-röstens framförande.

Läs mer om att använda känslomässig kontext i AI-tal. 

Ge dialoger med flera karaktärer liv

När du skapar dialoger med flera karaktärer kan du börja varje replik med en audiotagg för att bygga upp innehållsrika karaktärsdiskussioner. 

Ta följande som exempel: Tom: [coughing] [beginning to speak] förlåt, jag är lite sjuk i dag— Emma: [interrupting] —Sjuk? Du vet hur mycket jag hatar hosta, Tom! Tom: [surprised] Det är bara lite hosta, inget allvarligt. Hur skulle du känna om— Emma: [overlapping] [annoyed] —Jag tycker att du behöver gå hem. 

Se vad mer du kan göra med dialoger med flera karaktärer i Eleven v3.

Exakt kontroll över framförandet för AI-tal

Du kan styra talets tempo i Eleven v3 och Eleven v4 med Audio Tags eller skiljetecken. Taggar som [pause], [rushed] och [drawn out] låter dig aktivt forma repliken med precision. Du kan också använda ellipser, punkter och utropstecken för att naturligt bygga in känslor i ditt TTS-framförande.

Vi har skrivit en detaljerad guide om exakt kontroll över framförandet i Eleven v3.

Känslomässig TTS finns tillgängligt via API:et

Audio Tags fungerar på samma sätt via Text to Speech API som i ElevenLabs gränssnitt. Skriv taggen direkt i manustexten, så returnerar API:et det taggade framförandet i det genererade ljudet – från ljudboksflöden till voice-over för annonser. 

Läs mer om Eleven v4 eller kontakta säljteamet för att komma igång i dag.

Vanliga frågor om Audio Tags och känslomässig TTS

Skriven av

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

Jack Limebear

Growth Marketing

Visa profil

Jack Limebear jobbar i Growth-teamet och skriver innehåll samt planerar strategier för bloggen och insiktssidorna. Innan ElevenLabs ledde han innehållsstrategi i över tio år för allt från snabbt växande SaaS-startups till Fortune 500-företag. Han har en masterexamen i engelsk litteratur från University of Cambridge.

Liknande artiklar

Skapa med AI-ljud av högsta kvalitet

Prata med försäljningRegistrera dig