Ενσωματωμένες εκφραστικές ετικέτες
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση τη σελίδα Text to Speech της xAI και την αναφορά API Voice: οι δεκατέσσερις επίσημες ενσωματωμένες ετικέτες, κατανεμημένες στις τέσσερις οικογένειες της xAI (παύσεις, γέλια και κλάματα, ήχοι στόματος, αναπνοή). Οι ετικέτες χρεώνονται όπως και το υπόλοιπο κείμενο. Πηγές: Text to Speech · Voice API.
Προσθέστε συναίσθημα και ρεαλισμό στην ομιλία
Οι ενσωματωμένες ετικέτες είναι δείκτες που εισάγετε απευθείας στο κείμενό σας για να ενεργοποιήσετε μια εφάπαξ φωνητική έκφραση: μια παύση, ένα γέλιο, έναν ήχο στόματος, μια ανάσα. Η xAI δημοσιεύει δεκατέσσερις από αυτές, χωρισμένες σε τέσσερις οικογένειες. Κάνουν τη σύνθεση ομιλίας πολύ πιο φυσική και εκφραστική.
Σύνταξη ενσωματωμένης ετικέτας
Γράφετε τις ενσωματωμένες ετικέτες μέσα σε αγκύλες, [tag], και τις εισάγετε απευθείας στο κείμενο, ακριβώς εκεί που θέλετε να εμφανιστεί το εφέ:
Hello! [pause] How are you today?
Κατά τη σύνθεση, η ετικέτα αντικαθίσταται από το αντίστοιχο ηχητικό εφέ. Το υπόλοιπο κείμενο εκφωνείται κανονικά.
Παύσεις
Οι παύσεις προσδίδουν δομή και φυσικό ρυθμό στην ομιλία:
[pause]: μια σύντομη παύση[long-pause]: μια μεγαλύτερη παύση, για αλλαγή θέματος ή για να αφομοιωθεί μια ιδέα[hum-tune]: σφύριγμα μιας μελωδίας, το οποίο η xAI κατατάσσει στην ίδια οικογένεια
First idea. [pause] Second idea. [long-pause] Now let's move on to the next topic.
In the meantime [hum-tune] let's see what we've learned.
Οι παύσεις είναι ιδιαίτερα χρήσιμες μεταξύ των ενοτήτων ενός μεγάλου κειμένου ή για να δοθεί χρόνος στους ακροατές να αφομοιώσουν μια σημαντική πληροφορία.
Γέλια και κλάματα
Αυτές οι ετικέτες προσθέτουν συναισθηματικές αντιδράσεις στη μέση της ομιλίας:
[laugh]: ένα δυνατό γέλιο[chuckle]: ένα διακριτικό χιούμορ/γέλιο[giggle]: ένα ψιλό γέλιο[cry]: κλάμα
That's really great news! [laugh] I'm so happy for you.
Λειτουργούν εξαιρετικά καλά σε διαλόγους, podcasts και αφηγηματικό περιεχόμενο, όπου σπάνε τη μονοτονία της κλασικής σύνθεσης ομιλίας.
Ήχοι στόματος
[tsk]: ένα «τσικ» αγανάκτησης ή δυσαρέσκειας[tongue-click]: ένα κλικ της γλώσσας[lip-smack]: ένα χτύπημα των χειλιών
[tsk] Another meeting rescheduled.
Αναπνοή
Οι αναπνοές κάνουν την ομιλία να ακούγεται πιο ανθρώπινη:
[breath]: μια ανάσα[inhale]: μια εισπνοή[exhale]: μια εκπνοή[sigh]: ένας αναστεναγμός
[breath] Welcome to this new chapter.
And yes, another meeting [sigh] but this one will be short, I promise.
Η ετικέτα [breath] είναι διακριτική αλλά βοηθά στα μεγάλα κείμενα: χωρίς αναπνοές, μια εκτεταμένη ανάγνωση μπορεί να ακούγεται μηχανική.
Τοποθετήστε τις ετικέτες στρατηγικά
Η αποτελεσματικότητα των ενσωματωμένων ετικετών εξαρτάται από το πού τις τοποθετείτε. Ακολουθούν οι βέλτιστες πρακτικές.
Στην αρχή μιας πρότασης
Τοποθετήστε το [breath] στην αρχή μιας νέας παραγράφου ή ενότητας για να μιμηθείτε κάποιον που ξεκινά φυσικά να μιλά:
[breath] Now let's move on to the hands-on part of this lesson.
Μεταξύ δύο προτάσεων
Χρησιμοποιήστε το [pause] ή το [long-pause] για να δημιουργήσετε μια φυσική διακοπή:
The first point is important. [long-pause] The second one matters even more.
Μετά από ένα βασικό στοιχείο πληροφορίας
Ένα [pause] μετά από έναν σημαντικό αριθμό δίνει χρόνο στους ακροατές να τον αφομοιώσουν:
Revenue grew by 47%. [pause] It's our best quarter ever.
Πλήρες παράδειγμα
Ακολουθεί ένα κείμενο που συνδυάζει αρκετές ετικέτες για ένα φυσικό αποτέλεσμα:
{
"text": "[breath] Hello, everyone, and welcome to this presentation. [pause] Today, we're going to talk about a fascinating topic. [long-pause] Artificial intelligence that speaks. [chuckle] Yes, it's a little meta, I know. [pause] But you'll see, the results are impressive. [breath] Let's start with the basics.",
"voice_id": "eve",
"language": "en"
}
Βασικά σημεία
- Γράφετε τις ενσωματωμένες ετικέτες μέσα σε αγκύλες,
[tag], εντός του κειμένου - Τα
[pause]και[long-pause]διαμορφώνουν τον ρυθμό της ομιλίας - Τα
[pause],[long-pause]και[hum-tune]αποτελούν την οικογένεια των παύσεων - Τα
[laugh],[chuckle],[giggle]και[cry]προσθέτουν συναίσθημα· τα[tsk],[tongue-click]και[lip-smack]προσθέτουν ήχους στόματος - Τα
[breath],[inhale],[exhale]και[sigh]κάνουν την ομιλία να ακούγεται πιο ανθρώπινη - Τοποθετείτε τις ετικέτες εκεί που ένα άτομο θα έκανε φυσικά παύση ή θα αντιδρούσε
- Οι ετικέτες υπολογίζονται στο όριο των 60.000 χαρακτήρων ανά αίτημα και χρεώνονται όπως και το υπόλοιπο κείμενο