Beágyazott kifejező címkék
Ezen az oldalon
Frissítve: 2026. november 3., az xAI Text to Speech oldala és a Voice API referenciája alapján: a tizennégy hivatalos beágyazott címke az xAI négy családjában (szünetek, nevetés és sírás, szájhanguk, légzés). A címkéket a szöveg többi részéhez hasonlóan számlázzuk. Források: Text to Speech · Voice API.
Érzelem és realizmus hozzáadása a beszédhez
A beágyazott címkék olyan jelölők, amelyeket közvetlenül a szövegedbe illesztesz be, hogy egyetlen hangkifejezést indíts el velük: egy szünetet, nevetést, szájhangukat vagy lélegzetvételt. Az xAI tizennégy ilyet tesz közzé, négy családba rendezve. Ezek sokkal természetesebbé és kifejezőbbé teszik a beszédszintézist.
A beágyazott címkék szintaxisa
A beágyazott címkéket szögletes zárójelben írod, [címke], és közvetlenül a szövegbe illeszted be, pontosan oda, ahol a hatást szeretnéd elérni:
Szia! [pause] Hogy vagy ma?
Szintézis során a címke helyét a megfelelő hangeffekt veszi át. A környező szöveget a rendszer normálisan mondja ki.
Szünetek
A szünetek szerkezetet és természetes ritmust adnak a beszédnek:
[pause]: rövid szünet[long-pause]: hosszabb szünet, témaváltáshoz vagy arra, hogy egy gondolat leülepedjen[hum-tune]: dallam mormolása, amelyet az xAI ugyanebbe a családba sorol
Első gondolat. [pause] Második gondolat. [long-pause] Most pedig térjünk át a következő témára.
Közben [hum-tune] nézzük meg, mit tanultunk.
A szünetek különösen hasznosak egy hosszú szöveg szakaszai között, vagy arra, hogy időt adj a hallgatónak egy fontos információ befogadására.
Nevetés és sírás
Ezek a címkék érzelmi reakciókat adnak hozzá a beszéd közepette:
[laugh]: hangos nevetés[chuckle]: halk kuncogás[giggle]: vihogás[cry]: sírás
Ez igazán nagyszerű hír! [laugh] Annyira örülök neked.
Különösen jól működnek párbeszédekben, podcastokban és narratív tartalmakban, ahol megtörik a klasszikus beszédszintézis monotonitását.
Szájhanguk
[tsk]: bosszúságot vagy helytelenítést kifejező „csettintés“ (tsk)[tongue-click]: nyelvcsattintás[lip-smack]: ajakcsattintás
[tsk] Megint elhalasztottak egy értekezletet.
Légzés
A lélegzetvételek emberibbé teszik a beszédet:
[breath]: egy lélegzetvétel[inhale]: belégzés[exhale]: kilégzés[sigh]: sóhaj
[breath] Üdvözöllek ebben az új fejezetben.
És igen, megint egy értekezlet [sigh], de ez rövid lesz, ígérem.
A [breath] címke finom, de segít a hosszú szövegeknél: lélegzetvételek nélkül egy hosszabb felolvasás gépiesnek hangozhat.
A címkék stratégiai elhelyezése
A beágyazott címkék hatékonysága attól függ, hová helyezed el őket. Íme a legjobb gyakorlatok.
Mondat elején
Helyezd a [breath] címkét egy új bekezdés vagy szakasz elejére, hogy utánozd azt, ahogy valaki természetesen beszélni kezd:
[breath] Most pedig térjünk rá ennek a leckének a gyakorlati részére.
Két mondat között
Használd a [pause] vagy [long-pause] címkéket egy természetes szünet létrehozására:
Az első pont fontos. [long-pause] A második még inkább számít.
Egy kulcsfontosságú információ után
Egy [pause] egy fontos szám után időt ad a hallgatónak annak befogadására:
A bevétel 47%-kal nőtt. [pause] Ez a valaha volt legjobb negyedévünk.
Teljes példa
Íme egy szöveg, amely több címkét kombinál a természetes eredmény érdekében:
{
"text": "[breath] Sziasztok, és üdvözöllek mindenkit ezen a bemutatón. [pause] Ma egy lenyűgöző témáról fogunk beszélni. [long-pause] A beszélő mesterséges intelligenciáról. [chuckle] Igen, tudom, ez kicsit meta. [pause] De látni fogjátok, az eredmények lenyűgözőek. [breath] Kezdjük az alapokkal.",
"voice_id": "eve",
"language": "en"
}
Főbb megállapítások
- A beágyazott címkéket szögletes zárójelben írod,
[címke], közvetlenül a szövegbe ágyazva - A
[pause]és[long-pause]formálja a beszéd ritmusát - A
[pause],[long-pause]és[hum-tune]alkotja a szünetek családját - A
[laugh],[chuckle],[giggle]és[cry]érzelmet ad hozzá; a[tsk],[tongue-click]és[lip-smack]szájhangukat - A
[breath],[inhale],[exhale]és[sigh]emberibbé teszik a beszédet - Oda helyezd a címkéket, ahol egy ember természetesen szünetelne vagy reagálna
- A címkék beleszámítanak a kérésenkénti 60 000 karakteres korlátba, és a szöveg többi részéhez hasonlóan számlázzuk őket