Ετικέτες εκφραστικότητας και έλεγχος ομιλίας
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση τη σελίδα Text to Speech της xAI και την αναφορά του Voice API. Οι παρακάτω ετικέτες ακολουθούν την επίσημη λίστα: 14 ενσωματωμένες ετικέτες και 12 ετικέτες περικάλυψης. Πηγές: Text to Speech · Voice API.
Πέρα από την επίπεδη εκφορά
Αφεμένο στον εαυτό του, ένα μηχανισμό ομιλίας διαβάζει τα πάντα με την ίδια χροιά, συμπεριλαμβανομένης της ατάκας σε μια ιστορία ή της κρίσιμης προειδοποίησης στη μέση ενός οδηγού χρήστη. Το Grok TTS σάς επιτρέπει να ανακτήσετε τον έλεγχο μέσω ετικετών ομιλίας, οι οποίες διαμορφώνουν τον ρυθμό, την ένταση, το ύψος και το στυλ, ενώ μπορούν ακόμη και να εισάγουν γέλια, αναστεναγμούς ή αναπνοές. Υπάρχουν δύο διακριτοί μηχανισμοί και η ανάμειξή τους αποτελεί την κύρια αιτία απογοητευτικών αποτελεσμάτων: οι ενσωματωμένες ετικέτες προκαλούν ένα εφάπαξ εφέ, ενώ οι ετικέτες περικάλυψης αλλάζουν τον τρόπο ανάγνωσης ολόκληρης της παραγράφου.
Ενσωματωμένες ετικέτες: ένα εφέ, ένα σημείο
Τις γράφετε μέσα σε αγκύλες και ενεργούν ακριβώς στο σημείο που τις τοποθετείτε, χωρίς να αλλάζουν το κείμενο που ακολουθεί.
| Κατηγορία | Ετικέτες |
|---|---|
| Παύσεις | [pause] σύντομη · [long-pause] μεγάλη · [hum-tune] σφύριγμα μελωδίας |
| Γέλια και κλάματα | [laugh] δυνατό γέλιο · [chuckle] χαμηλό γέλιο · [giggle] ψιθυριστό γέλιο · [cry] κλάμα |
| Ήχοι στόματος | [tsk] δυσαρέσκεια · [tongue-click] κλικ γλώσσας · [lip-smack] χτύπημα χειλιών |
| Αναπνοή | [breath] αναπνοή · [inhale] εισπνοή · [exhale] εκπνοή · [sigh] αναστεναγμός |
Οι παύσεις είναι μακράν οι πιο χρήσιμες στην καθημερινότητα, καθώς προσθέτουν τη σημείωση στίξης που λείπει από το γραπτό κείμενο. Συγκρίνετε μια οδηγία που απαγγέλλεται μονορούφι με την ίδια οδηγία που έχει χώρο να αναπνεύσει:
Welcome to our platform. [pause] Today, we'll explore the main features. [long-pause] Let's start with signing up.
Από την άλλη, οι φωνητικές εκφράσεις απαιτούν λεπτούς χειρισμούς. Μια καλά τοποθετημένη [laugh] κάνει μια πρόταση να ακούγεται φιλική· τρεις στην ίδια παράγραφο σας κάνουν να ακούγεστε σαν νευρικός παρουσιαστής.
That's a great question! [laugh] The answer might surprise you. [pause]
Ετικέτες περικάλυψης: ένα στυλ, ένα τμήμα κειμένου
Αυτές οι ετικέτες περικλείουν το κείμενο που τροποποιούν, όπως στο <tag>κείμενο</tag>, και το εφέ τους διαρκεί ακριβώς όσο η περικλειόμενη ενότητα.
| Κατηγορία | Ετικέτες |
|---|---|
| Ένταση και δυναμική | <soft> πιο ήσυχα · <whisper> ψίθυρος · <loud> πιο δυνατά · <build-intensity> σταδιακή αύξηση · <decrease-intensity> σταδιακή μείωση |
| Ύψος και ταχύτητα | <higher-pitch> υψηλότερο · <lower-pitch> χαμηλότερο · <slow> πιο αργή εκφορά · <fast> πιο γρήγορη εκφορά |
| Φωνητικό στυλ | <sing-song> τραγουδιστός τόνος · <singing> τραγούδι · <emphasis> έμφαση |
Η αντίθεση στην ένταση σάς επιτρέπει να ιεραρχείτε πληροφορίες χωρίς να προσθέτετε λέξεις: ό,τι λέγεται σιγά ακούγεται σαν εμπιστευτική εξομολόγηση, ενώ ό,τι λέγεται δυνατά ακούγεται σαν συναγερμός.
Listen carefully: <soft>this is a secret</soft>. But <loud>this is important!</loud>
Η ταχύτητα κάνει το ίδιο για την προσοχή. Η επιτάχυνση υποδηλώνει επείγον ή μια παρένθεση· η επιβράδυνση σηματοδοτεί μια πρόταση worth να θυμάστε. Αυτή είναι μια πολύτιμη συνήθεια σε ένα εκπαιδευτικό module, όπου πάντα επιβραδύνετε στον ορισμό ενός νέου όρου.
Now I'm going to <fast>talk really fast to show urgency</fast> and then <slow>slow down to stress this point</slow>.
Ο ψίθυρος δημιουργεί άμεση συνενοχή, αρκεί να παραμένει η εξαίρεση στην παράγραφο.
<whisper>Don't tell anyone</whisper>, but the new version comes out tomorrow!
Συνδυασμός και των δύο
Τίποτα δεν σας εμποδίζει να αναμείξετε τις δύο οικογένειες στο ίδιο κείμενο και εκεί είναι που η σύνθεση αρχίζει να ακούγεται σαν παράσταση. Το απόσπασμα παρακάτω συνδυάζει μια αναπνοή, παύσεις, ένα πιο ήσυχο τμήμα, επιβράδυνση, έναν ψίθυρο, ένα γέλιο και μια αύξηση στην ένταση:
[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>
Διαβάστε αυτό το παράδειγμα δυνατά, ακολουθώντας τις ενδείξεις, και θα ακούσετε ότι η πυκνότητα των ετικετών βρίσκεται ήδη στο όριο του λογικού. Σε ολόκληρο ένα audiobook, τόσο πολλές θα ήταν εξαντλητικές. Ο κανόνας είναι να επισημαίνετε τις στιγμές που μεταφέρουν πρόθεση και να αφήνετε τα υπόλοιπα να αναπνεύσουν.
Πού κάνουν πραγματικά τη διαφορά αυτές οι ετικέτες
Στην αφήγηση audiobook, οι παύσεις, οι ψίθυροι και οι αλλαγές ρυθμού είναι αυτά που κρατούν τους ακροατές ξύπνιους κατά τη διάρκεια μιας ώρας ακρόασης. Για έναν φωνητικό βοηθό, μια απλή [pause] μεταξύ δύο πληροφοριών δίνει στους χρήστες χρόνο να αφομοιώσουν τη μία πριν την επόμενη. Το εκπαιδευτικό περιεχόμενο ωφελείται από τον συνδυασμό <emphasis> σε βασικούς όρους με <slow> σε δύσκολα αποσπάσματα, ακριβώς όπως θα έκανε ένας εκπαιδευτής μπροστά σε μια τάξη. Το audio marketing χρησιμοποιεί το <build-intensity> για να χτίσει ορμή και το <loud> στην πρόσκληση για δράση. Και για τους χαρακτήρες βιντεοπαιχνιδιών, ο συνδυασμός <whisper>, <lower-pitch> και [laugh] προσδίδει σε πανομοιότυπες ατάκες διαλόγου πολύ διαφορετικές προσωπικότητες.
Ένα τελευταίο πρακτικό σημείο: βελτιστοποιήστε την επισήμανσή σας με μεμονωμένα αιτήματα HTTP, τα οποία είναι εύκολο να επαναληφθούν και να διορθωθούν, και στη συνέχεια ελέγξτε πώς ακούγεται το εγκεκριμένο κείμενο στον streaming pipeline σας. Η xAI συνιστά επίσης να περικλείετε ολοκληρωμένες προτάσεις αντί για μεμονωμένες λέξεις και να συνδυάζετε ετικέτες με σημεία στίξης αντί να τις στοιβάζετε.
Βασικά σημεία
- Οι ενσωματωμένες ετικέτες
[tag]εισάγουν εφάπαξ εφέ (παύσεις, γέλια, αναστεναγμούς) - Οι ετικέτες περικάλυψης
<tag>κείμενο</tag>αλλάζουν το στυλ μιας ενότητας (ένταση, ταχύτητα, τόνος) - Μπορείτε να συνδυάσετε ετικέτες για να δημιουργήσετε πλούσια, εκφραστική αφήγηση
- Η xAI δημοσιεύει 14 ενσωματωμένες ετικέτες και 12 ετικέτες περικάλυψης: μείνετε σε αυτή τη λίστα