Czym są tagi audio Eleven v3 — i dlaczego są ważne

Wraz z premierą Eleven v3, promptowanie audio stało się kluczową umiejętnością. Zamiast tylko wpisywać tekst, który ma przeczytać głos AI, możesz teraz użyć nowej funkcji — tagów audio — żeby sterować wszystkim: od emocji po sposób wypowiedzi.

Eleven v3 to wersja alfa podgląd badawczy nowego modelu. Wymaga więcej promptowania niż wcześniejsze modele — ale efekty są niesamowite.

Tagi audio ElevenLabs to słowa w nawiasach kwadratowych, które nowy model Eleven v3 rozumie i wykorzystuje do sterowania dźwiękiem. Mogą to być np. [excited], [whispers], [sighs], ale też [gunshot], [clapping] czy [explosion].

Tagi audio pozwalają ci kształtować brzmienie głosu AI, także sygnały niewerbalne jak ton, pauzy czy tempo. Niezależnie czy tworzysz audiobooki, interaktywne postacie czy media oparte na dialogach, te proste narzędzia dają ci pełną kontrolę nad emocjami i sposobem wypowiedzi.

Reżyserowanie głosu za pomocą tagów audio

Możesz wstawiać tagi audio w dowolnym miejscu skryptu, by na bieżąco zmieniać sposób wypowiedzi. Możesz też łączyć tagi w jednym skrypcie, a nawet zdaniu. Tagi dzielą się na główne kategorie:

Emocje

Te tagi pozwalają ustawić emocjonalny ton głosu — czy ma być poważny, intensywny czy radosny. Możesz użyć np. [sad], [angry], [happily] albo [sorrowful], osobno lub razem.

Odtwórz

Odtwórz

Sposób wypowiedzi

Te tagi dotyczą tonu i wykonania. Pozwalają zmienić głośność i energię w scenach wymagających ciszy lub siły. Przykłady: [whispers], [shouts], a nawet [x accent].

Odtwórz

Odtwórz

Reakcje ludzkie

Naturalna mowa to także reakcje. Dzięki nim dodasz realizmu, wstawiając spontaniczne momenty do wypowiedzi. Przykłady: [laughs], [clears throat], [sighs].

Odtwórz

Odtwórz

Nowy, bardziej ekspresyjny model

Za tymi funkcjami stoi nowa architektura v3. Model lepiej rozumie kontekst tekstu, więc naturalniej podąża za emocjami, zmianami tonu i przejściami między postaciami. W połączeniu z tagami audio daje to większą ekspresję niż wcześniej w TTS.

Możesz też tworzyć dialogi z wieloma postaciami, które brzmią naturalnie — z przerwami, zmianami nastroju i niuansami rozmowy, bez skomplikowanego promptowania.

Dostępne już teraz

Profesjonalne klony głosu (PVC) nie są jeszcze w pełni zoptymalizowane pod Eleven v3, więc ich jakość może być niższa niż w poprzednich modelach. W tej fazie podglądu najlepiej wybrać Instant Voice Clone (IVC) lub zaprojektowany głos, jeśli chcesz korzystać z funkcji v3. Optymalizacja PVC dla v3 pojawi się wkrótce.

Eleven v3 jest dostępny w interfejsie ElevenLabs, a my oferujemy 80% zniżki do końca czerwca. Publiczne API dla Eleven v3 (alfa) też jest dostępne. Niezależnie czy testujesz, czy wdrażasz na większą skalę — teraz jest dobry moment, by sprawdzić nowe możliwości.

Tworzenie tagów audio

Tworzenie mowy AI, która gra — a nie tylko czyta — to kwestia opanowania tagów audio. Przygotowaliśmy siedem krótkich, praktycznych przewodników, które pokazują, jak tagi takie jak [WHISPER], [LAUGHS SOFTLY], czy [French accent] pozwalają ci sterować kontekstem, emocjami, tempem, a nawet dialogiem wielu postaci jednym modelem.

Zobacz serię

• Reakcja na sytuację – Tagi takie jak [WHISPER], [SHOUTING], czy [SIGH] pozwalają Eleven v3 reagować na sytuację — podkręcać napięcie, łagodzić ostrzeżenia czy robić pauzy dla efektu.
• Gra aktorska postaci – Od [pirate voice] po [French accent], tagi zamieniają narrację w odgrywanie ról. Możesz zmienić postać w trakcie zdania i reżyserować całe sceny bez zmiany modelu.
• Kontekst emocjonalny – Wskazówki jak [sigh], [excited], czy [tired] pozwalają sterować emocjami w każdej chwili — budować napięcie, ulgę czy humor, bez ponownych nagrań.
• Inteligencja narracyjna – Opowiadanie historii to kwestia wyczucia czasu. Tagi takie jak [pause], [awe], czy [dramatic tone] sterują rytmem i akcentami, by głos AI prowadził słuchacza przez każdą scenę.
• Dialog wielu postaci – Pisz nakładające się kwestie i szybkie dialogi z [interrupting], [overlapping], albo zmianami tonu. Jeden model, wiele głosów — naturalna rozmowa za jednym podejściem.
• Kontrola wypowiedzi – Dopracuj tempo i akcenty. Tagi jak [pause], [rushed], czy [drawn out] pozwalają precyzyjnie sterować tempem i zamienić zwykły tekst w prawdziwe wykonanie.
• Naśladowanie akcentów – Zmieniaj regiony w locie — [American accent], [British accent], [Southern US accent] i inne — dla bogatszej mowy bez zmiany modelu.