Ausdrucksstarke Tags und Sprachsteuerung
Auf dieser Seite
Aktualisiert am 3. November 2026, basierend auf der xAI-Seite Text to Speech und der Voice-API-Referenz. Die nachfolgenden Tags folgen der offiziellen Liste: 14 Inline-Tags und 12 umschließende Tags. Quellen: Text to Speech · Voice API.
Mehr als nur flaches Vorlesen
Wenn eine Sprachmaschine sich selbst überlässt, liest sie alles im gleichen Ton, einschließlich des Witzes am Ende einer Geschichte oder der wichtigsten Warnung mitten in einer Benutzeranleitung. Mit Sprachtags in Grok TTS können Sie die Kontrolle zurückgewinnen. Diese Tags formen Tempo, Lautstärke, Tonhöhe und Stil und können sogar Lachen, Seufzer oder Atemgeräusche einfügen. Es gibt zwei getrennte Mechanismen, und das Verwechseln beider ist die häufigste Ursache für enttäuschende Ergebnisse: Inline-Tags lösen einen einmaligen Effekt aus, während umschließende Tags bestimmen, wie ein ganzer Abschnitt gelesen wird.
Inline-Tags: Ein Effekt, ein Ort
Sie schreiben sie in eckigen Klammern, und sie wirken genau dort, wo Sie sie platzieren, ohne den folgenden Text zu verändern.
| Kategorie | Tags |
|---|---|
| Pausen | [pause] kurz · [long-pause] lang · [hum-tune] Pfeifen einer Melodie |
| Lachen und Weinen | [laugh] herzhaftes Lachen · [chuckle] leises Lachen · [giggle] Kichern · [cry] Weinen |
| Mundgeräusche | [tsk] Missbilligung · [tongue-click] Zungenklick · [lip-smack] Lippenknacken |
| Atmen | [breath] Atemzug · [inhale] Einatmen · [exhale] Ausatmen · [sigh] Seufzen |
Pausen sind bei weitem die nützlichsten im täglichen Gebrauch, da sie die mündliche Satzzeichenfunktion hinzufügen, die geschriebener Text fehlt. Vergleichen Sie eine Anweisung, die in einem Zug heruntergerappt wird, mit derselben Anweisung, die Raum zum Atmen hat:
Welcome to our platform. [pause] Today, we'll explore the main features. [long-pause] Let's start with signing up.
Vokale Ausdrücke hingegen erfordern eine leichte Hand. Ein gut platziertes [laugh] lässt einen Satz freundlich wirken; drei in demselben Absatz machen Sie wie einen nervösen Moderator klingen.
That's a great question! [laugh] The answer might surprise you. [pause]
Umschließende Tags: Ein Stil, ein Textabschnitt
Diese Tags umgeben den Text, den sie verändern, wie in <tag>text</tag>, und ihre Wirkung dauert genau so lange wie der umschlossene Abschnitt.
| Kategorie | Tags |
|---|---|
| Lautstärke und Intensität | <soft> leiser · <whisper> Flüstern · <loud> lauter · <build-intensity> schrittweise aufbauend · <decrease-intensity> schrittweise abklingend |
| Tonhöhe und Geschwindigkeit | <higher-pitch> höher · <lower-pitch> tiefer · <slow> langsamere Aussprache · <fast> schnellere Aussprache |
| Vokaler Stil | <sing-song> singender Ton · <singing> Singen · <emphasis> Betonung |
Kontrastierende Lautstärke ermöglicht es Ihnen, Informationen zu gewichten, ohne ein Wort hinzuzufügen: Was leise gesagt wird, klingt wie eine Vertraulichkeit; was laut, wie eine Warnung.
Listen carefully: <soft>this is a secret</soft>. But <loud>this is important!</loud>
Geschwindigkeit tut dasselbe für die Aufmerksamkeit. Eine Beschleunigung deutet auf Dringlichkeit oder eine Aneinanderreihung hin; eine Verlangsamung signalisiert einen Satz, der sich merken lässt. Das ist eine wertvolle Gewohnheit in einem Schulungsmodul, wo Sie bei der Definition eines neuen Begriffs immer langsamer werden.
Now I'm going to <fast>talk really fast to show urgency</fast> and then <slow>slow down to stress this point</slow>.
Flüstern erzeugt sofortige Vertraulichkeit, solange es die Ausnahme im Absatz bleibt.
<whisper>Don't tell anyone</whisper>, but the new version comes out tomorrow!
Beides kombinieren
Nichts hindert Sie daran, die beiden Familien im selben Text zu mischen, und genau dort beginnt die Synthese wie eine Performance zu klingen. Der folgende Auszug verbindet einen Atemzug, Pausen, einen weichereren Abschnitt, eine Verlangsamung, ein Flüstern, ein Lachen und einen Lautstärkeanstieg:
[breath] Hello, everyone. [pause]
Today, I'm going to tell you <soft>an extraordinary story</soft>. [long-pause]
Once upon a time, <slow>in a faraway land</slow>, a developer discovered [pause] <whisper>the secret of perfect speech synthesis</whisper>. [laugh]
<loud>And everything changed!</loud>
Lesen Sie dieses Beispiel laut vor, indem Sie den Hinweisen folgen, und Sie werden hören, dass die Tag-Dichte bereits an der Grenze des Zumutbaren liegt. Über ein ganzes Hörbuch hinweg wäre das ermüdend. Die Faustregel lautet: Markieren Sie die Momente, die Absicht tragen, und lassen Sie den Rest atmen.
Wo diese Tags wirklich einen Unterschied machen
Bei der Hörbuchnarration sind Pausen, Flüstern und Geschwindigkeitsänderungen das, was Hörer wach hält, während sie eine Stunde lang zuhören. Bei einem Sprachassistenten gibt ein einfaches [pause] zwischen zwei Informationsstücken dem Nutzer Zeit, eine Information aufzunehmen, bevor die nächste folgt. Lehrinhalte profitieren von der Kombination von <emphasis> bei Schlüsselbegriffen mit <slow> bei schwierigen Passagen, genau wie ein Trainer vor einer Klasse. Audio-Marketing nutzt <build-intensity>, um Schwung aufzubauen, und <loud> bei der Handlungsaufforderung. Und für Videospiele-Charaktere lässt die Kombination von <whisper>, <lower-pitch> und [laugh> identische Dialogzeilen sehr unterschiedliche Persönlichkeiten annehmen.
Ein letzter praktischer Punkt: Feinjustieren Sie Ihre Tagging mit einzelnen HTTP-Anfragen, die leicht wiederholt und korrigiert werden können, und prüfen Sie dann, wie der genehmigte Text in Ihrer Streaming-Pipeline klingt. xAI empfiehlt ebenfalls, vollständige Sätze statt isolierter Wörter einzuschließen und Tags mit Satzzeichen zu kombinieren, statt sie zu stapeln.
Kernaussagen
- Inline-Tags
[tag]fügen einmalige Effekte ein (Pausen, Lachen, Seufzer) - Umschließende Tags
<tag>text</tag>verändern den Stil eines Abschnitts (Lautstärke, Geschwindigkeit, Ton) - Sie können Tags kombinieren, um eine reiche, ausdrucksstarke Narration zu erstellen
- xAI veröffentlicht 14 Inline-Tags und 12 umschließende Tags: Halten Sie sich an diese Liste