Przejdź do głównej treści
Polski— Wybierz język
Menu

Tagi ekspresyjne wbudowane

Lekcja 5 z 14 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Dodawanie emocji i realizmu do mowy
  2. Składnia tagów wbudowanych
  3. Pauzy
  4. Śmiech i płacz
  5. Odgłosy ust
  6. Oddychanie
  7. Strategiczne umieszczanie tagów
  8. Pełny przykład
  9. Kluczowe wnioski

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.

14
Oficjalne tagi wbudowane
[tag]
Składnia z nawiasami kwadratowymi
4
Rodziny tagów
60 000
Znaków na żądanie, łącznie z tagami

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