Kifejező címkék és beszédszabályozás
Ezen az oldalon
Frissítve: 2026. november 3., az xAI Text to Speech oldala és a Voice API referenciája alapján. Az alábbi címkék a hivatalos listát követik: 14 soron belüli (inline) címke és 12 körülvevő (wrapping) címke. Források: Text to Speech · Voice API.
Túl az egysíku előadáson
Ha magára hagyjuk, a beszédmotor mindent ugyanabban a hangnemben olvas fel, legyen szó egy történet poénjáról vagy egy felhasználói útmutató közepén található fontos figyelmeztetésről. A Grok TTS segítségével visszaveheted az irányítást a beszédcímkékkel, amelyek formálják a tempót, a hangerőt, a hangmagasságot és a stílust, sőt még nevetést, sóhajtást vagy légzést is beilleszthetsz. Két eltérő mechanizmus létezik, és ezek összekeverése a csalódást keltő eredmények legfőbb oka: a soron belüli címkék egyszeri hatást váltanak ki, míg a körülvevő címkék megváltoztatják egy teljes szakasz felolvasási módját.
Soron belüli címkék: egy hatás, egy hely
Négyzetes zárójelbe írod őket, és pontosan ott fejtenek ki hatást, ahová elhelyezted őket, anélkül, hogy megváltoztatnák a következő szöveget.
| Kategória | Címkék |
|---|---|
| Szünetek | [pause] rövid · [long-pause] hosszú · [hum-tune] dallam dúdolása |
| Nevetés és sírás | [laugh] hangos nevetés · [chuckle] halk kuncogás · [giggle] vihogás · [cry] sírás |
| Szájhangok | [tsk] rosszallás · [tongue-click] csettintés · [lip-smack] cuppantás |
| Légzés | [breath] légvétel · [inhale] belégzés · [exhale] kilégzés · [sigh] sóhaj |
A szünetek messze a leghasznosabbak a mindennapokban, mert hozzáadják azt a beszélt írásjelet, ami az írott szövegből hiányzik. Hasonlítsd össze egy utasítás ledarálását egyhuzamban ugyanazzal az utasítással, amelynek teret adsz a levegővételre:
Welcome to our platform. [pause] Today, we'll explore the main features. [long-pause] Let's start with signing up.
A hangzó kifejezések ezzel szemben finom bánásmódot igényelnek. Egy jól elhelyezett [laugh] barátságossá teszi a mondatot; három ugyanabban a bekezdésben pedig ideges házigazdának hallatszol.
That's a great question! [laugh] The answer might surprise you. [pause]
Körülvevő címkék: egy stílus, egy szövegrész
Ezek a címkék körülveszik a módosítani kívánt szöveget, például <tag>szöveg</tag> formában, és hatásuk pontosan addig tart, ameddig a körülvett szakasz.
| Kategória | Címkék |
|---|---|
| Hangerő és intenzitás | <soft> halkabb · <whisper> suttogás · <loud> hangosabb · <build-intensity> fokozatosan építkezik · <decrease-intensity> fokozatosan elhalkul |
| Hangmagasság és sebesség | <higher-pitch> magasabb · <lower-pitch> mélyebb · <slow> lassabb előadásmód · <fast> gyorsabb előadásmód |
| Hangstílus | <sing-song> éneklős hangnem · <singing> éneklés · <emphasis> hangsúlyozás |
A hangerő kontrasztja lehetővé teszi az információk rangsorolását további szavak nélkül: amit halkan mondanak, az bizalmasnak hat, amit hangosan, az pedig figyelmeztetésnek.
Listen carefully: <soft>this is a secret</soft>. But <loud>this is important!</loud>
A sebesség ugyanezt teszi a figyelemmel. A felgyorsítás sürgősséget vagy mellékes megjegyzést sugall; a lelassítás pedig azt jelzi, hogy a mondatot érdemes megjegyezni. Ez értékes szokás egy tanulási modulban, ahol mindig lelassítasz egy új fogalom meghatározásánál.
Now I'm going to <fast>talk really fast to show urgency</fast> and then <slow>slow down to stress this point</slow>.
A suttogás azonnali összejátszást teremt, feltéve, hogy kivétel marad a bekezdésben.
<whisper>Don't tell anyone</whisper>, but the new version comes out tomorrow!
Mindkettő kombinálása
Semmi sem akadályozza meg, hogy ugyanabban a szövegben keverd a két családot, és itt kezd a szintézis előadásnak hangzani. Az alábbi részlet összefűz egy légvételt, szüneteket, egy halkabb részt, lassítást, suttogást, nevetést és hangerő-emelkedést:
[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>
Olvasd fel hangosan ezt a példát a jelzéseket követve, és hallani fogod, hogy a címkék sűrűsége már a tűrhető határ szélén van. Egy teljes hangoskönyv esetében ennyi kimerítő lenne. Az ökölszabály az, hogy csak azokat a pillanatokat címkézd meg, amelyek szándékot hordoznak, a többit pedig hagyd lélegezni.
Hol igazán számítanak ezek a címkék
A hangoskönyvek narrációjában a szünetek, a suttogások és a tempóváltások tartják ébren a hallgatókat egy órás hallgatás során. Egy hangalapú asszisztens esetében egy egyszerű [pause] két információ között időt ad a felhasználónak, hogy feldolgozza az elsőt, mielőtt a második következik. Az oktatási tartalmak hasznára válik a <emphasis> használata a kulcsfogalmakon és a <slow> alkalmazása a nehéz szakaszokon, pontosan úgy, ahogy egy oktató tenné az osztály előtt. A hangalapú marketing a <build-intensity> címkét használja a lendület fokozására, a <loud> címkét pedig a cselekvésre való felhívásnál. Videójáték-szereplők esetében pedig a <whisper>, <lower-pitch> és [laugh] kombinálása teljesen különböző személyiséget kölcsönöz az azonos párbeszédsoroknak.
Egy utolsó gyakorlati pont: finomhangold a címkézést egyedi HTTP-kérésekkel, amelyeket könnyű újrajátszani és korrigálni, majd ellenőrizd, hogyan szól a jóváhagyott szöveg a streaming folyamataidban. Az xAI azt is javasolja, hogy teljes mondatokat vegyél körül, ne elszigetelt szavakat, és a címkéket írásjelekkel párosítsd, ne pedig egymásra halmozd őket.
Főbb megállapítások
- A soron belüli
[tag]címkék egyszeri hatásokat illesztenek be (szünetek, nevetés, sóhajok) - A körülvevő
<tag>szöveg</tag>címkék megváltoztatják egy szakasz stílusát (hangerő, sebesség, hangnem) - Kombinálhatod a címkéket gazdag, kifejező narráció létrehozásához
- Az xAI 14 soron belüli és 12 körülvevő címkét tesz közzé: tartsd magad ehhez a listához