Tagi ekspresyjne wbudowane
Na tej stronie
Zaktualizowano 3 listopada 2026 r. na podstawie strony Text to Speech xAI oraz dokumentacji referencyjnej Voice API: czternaście oficjalnych tagów wbudowanych podzielonych na cztery rodziny xAI (pauzy, śmiech i płacz, odgłosy ust, oddychanie). Tagi są rozliczane tak samo jak pozostała część tekstu. Źródła: Text to Speech · Voice API.
Dodawanie emocji i realizmu do mowy
Tagi wbudowane to znaczniki, które wstawiasz bezpośrednio do tekstu, aby wywołać jednorazową ekspresję głosową: pauzę, śmiech, odgłos ust czy oddech. xAI udostępnia ich czternaście, podzielonych na cztery rodziny. Sprawiają one, że synteza mowy brzmi znacznie naturalniej i bardziej ekspresyjnie.
Składnia tagów wbudowanych
Tagi wbudowane zapisujesz w nawiasach kwadratowych, [tag], i wstawiasz bezpośrednio do tekstu, dokładnie w miejscu, w którym ma wystąpić efekt:
Cześć! [pause] Jak się dzisiaj masz?
Podczas syntezy tag jest zastępowany odpowiadającym mu efektem dźwiękowym. Otaczający go tekst jest wypowiadany normalnie.
Pauzy
Pauzy nadają mowie strukturę i naturalny rytm:
[pause]: krótka pauza[long-pause]: dłuższa pauza, służąca zmianie tematu lub pozwalająca słuchaczowi przyswoić myśl[hum-tune]: nucenie melodii, które xAI zalicza do tej samej rodziny
Pierwsza myśl. [pause] Druga myśl. [long-pause] Przejdźmy teraz do kolejnego tematu.
W międzyczasie [hum-tune] zobaczmy, czego się nauczyliśmy.
Pauzy są szczególnie przydatne między sekcjami długiego tekstu lub aby dać słuchaczom czas na przyswojenie ważnej informacji.
Śmiech i płacz
Tagi te dodają reakcje emocjonalne w trakcie wypowiedzi:
[laugh]: serdeczny śmiech[chuckle]: cichy chichot[giggle]: giggles (chichotanie)[cry]: płacz
To naprawdę świetna wiadomość! [laugh] Bardzo się z Ciebie cieszę.
Sprawdzają się szczególnie dobrze w dialogach, podcastach i treściach narracyjnych, gdzie przełamują monotonię klasycznej syntezy mowy.
Odgłosy ust
[tsk]: odgłos „tsk“ wyrażający irytację lub dezaprobatę[tongue-click]: kliknięcie językiem[lip-smack]: mlasknięcie ustami
[tsk] Kolejne spotkanie przełożone.
Oddychanie
Oddechy sprawiają, że mowa brzmi bardziej ludzko:
[breath]: oddech[inhale]: wdech[exhale]: wydech[sigh]: westchnienie
[breath] Witamy w tym nowym rozdziale.
I tak, kolejne spotkanie [sigh], ale tym razem będzie krótkie, obiecuję.
Tag [breath] jest subtelny, ale pomaga przy długich tekstach: bez oddechów długie czytanie może brzmieć mechanicznie.
Strategiczne umieszczanie tagów
Skuteczność działania tagów wbudowanych zależy od tego, gdzie je umieścisz. Oto najlepsze praktyki.
Na początku zdania
Umieść [breath] na początku nowego akapitu lub sekcji, aby zasymulować naturalne rozpoczęcie mówienia:
[breath] Przejdźmy teraz do części praktycznej tej lekcji.
Pomiędzy dwoma zdaniami
Użyj [pause] lub [long-pause], aby stworzyć naturalną przerwę:
Pierwszy punkt jest ważny. [long-pause] Drugi ma jeszcze większe znaczenie.
Po kluczowej informacji
[pause] po ważnej liczbie daje słuchaczom czas na jej przyswojenie:
Przychody wzrosły o 47%. [pause] To nasz najlepszy kwartał w historii.
Pełny przykład
Oto tekst łączący kilka tagów, aby uzyskać naturalny efekt:
{
"text": "[breath] Witajcie wszyscy i zapraszamy na tę prezentację. [pause] Dzisiaj porozmawiamy o fascynującym temacie. [long-pause] Sztuczna inteligencja, która mówi. [chuckle] Tak, wiem, to trochę meta. [pause] Ale zobaczycie, że wyniki są imponujące. [breath] Zacznijmy od podstaw.",
"voice_id": "eve",
"language": "pl"
}
Kluczowe wnioski
- Tagi wbudowane zapisujesz w nawiasach kwadratowych,
[tag], wewnątrz tekstu [pause]i[long-pause]kształtują rytm mowy[pause],[long-pause]i[hum-tune]tworzą rodzinę pauz[laugh],[chuckle],[giggle]i[cry]dodają emocje;[tsk],[tongue-click]i[lip-smack]dodają odgłosy ust[breath],[inhale],[exhale]i[sigh]sprawiają, że mowa brzmi bardziej ludzko- Umieszczaj tagi tam, gdzie osoba naturalnie zrobiłaby pauzę lub zareagowała
- Tagi wliczają się do limitu 60 000 znaków na żądanie i są rozliczane tak samo jak reszta tekstu