Tagi obejmujące
Na tej stronie
Zaktualizowano 3 listopada 2026 r. na podstawie strony Text to Speech od xAI: dwanaście oficjalnych tagów obejmujących w trzech rodzinach xAI. Źródło: Text to Speech.
Zmiana stylu mówienia fragmentu tekstu
W przeciwieństwie do tagów inline, które wywołują jednorazowy efekt, tagi obejmujące zmieniają sposób wymawiania całego fragmentu tekstu. Wykorzystują one składnię XML z tagiem otwierającym i zamykającym.
Składnia tagów obejmujących
Tagi obejmujące otaczają tekst, który chcesz zmodyfikować, za pomocą <tag> i </tag>:
Here's some normal text, then <whisper>a whispered passage</whisper>, then back to normal.
Tekst znajdujący się wewnątrz tagów jest wypowiadany w określonym przez Ciebie stylu. Pozostała część tekstu zachowuje swoją normalną prozodię.
Głośność i natężenie
Te tagi kontrolują natężenie mowy:
<soft>: cichy, intymny głos, jakbyś rozmawiał z kimś bliskim<whisper>: szept, jak przy zdradzaniu sekretu<loud>: głośny głos, jakbyś projektował go na dużą salę<build-intensity>: natężenie rosnące w trakcie fragmentu<decrease-intensity>: natężenie malejące w trakcie fragmentu
<soft>I'm going to tell you a secret.</soft> [pause] <loud>Here it is!</loud>
<build-intensity>Three, two, one… let's go!</build-intensity>
Kontrast między <soft> a <loud> jest bardzo skuteczny w przypadku efektów dramatycznych lub podkreślania ważnych punktów.
Wysokość tonu i tempo
Te tagi zmieniają wysokość głosu oraz jego tempo:
<higher-pitch>: wyższy głos, który może sugerować zdziwienie lub podekscytowanie<lower-pitch>: niższy głos, sugerujący autorytet lub powagę<fast>: szybsza mowa, przydatna w przypadku zastrzeżeń prawnych lub informacji drugorzędnych<slow>: wolniejsza mowa, idealna do ważnych instrukcji lub dyktanda
<higher-pitch>Really? That's amazing!</higher-pitch>
Here's the main point. <fast>Terms and conditions are available on our website.</fast>
<slow>Repeat after me: hello, how are you?</slow>
Aby ustawić tempo dla całego tekstu, a nie tylko fragmentu, użyj zamiast tego parametru speed w żądaniu (lekcja 2).
Styl wokalny
<sing-song>: śpiewna, melodyjna wymowa<singing>: styl śpiewany, przeznaczony do dżingli lub melodii<emphasis>: akcent, służący do wyróżnienia słowa lub frazy
<singing>Happy birthday!</singing>
<emphasis>This is absolutely essential.</emphasis>
xAI zaleca obejmowanie całych zdań, a nie pojedynczych słów: <whisper>It's a secret.</whisper> brzmi naturalniej niż pojedyncze wyszeptane słowo.
Zasady zagnieżdżania
Możesz łączyć tagi obejmujące, ale upewnij się, że zagnieżdżasz je poprawnie:
<soft><slow>Listen carefully to this passage.</slow></soft>
Zagnieżdżanie musi odbywać się w kolejności LIFO (ostatni otwarty, pierwszy zamknięty), tak jak w HTML. Unikaj nieprawidłowych nakładań:
<!-- Correct -->
<soft><slow>text</slow></soft>
<!-- Incorrect: overlap -->
<soft><slow>text</soft></slow>
Praktyczne przykłady według przypadków użycia
Narracja podcastu
[breath] <soft>Welcome to this episode.</soft> [pause]
Today, we're exploring a fascinating topic.
<emphasis>Generative artificial intelligence.</emphasis> [long-pause]
<slow>Take a moment to think about it.</slow>
Powitanie telefoniczne
Hello, and thank you for calling Corsen AI. [pause]
<slow>For sales, press 1.</slow> [pause]
<slow>For technical support, press 2.</slow> [pause]
<fast>This call may be recorded to help us improve our service.</fast>
Treści edukacyjne
Here's the key point to remember. [pause]
<emphasis><slow>The API returns audio bytes, not JSON.</slow></emphasis>
[long-pause] Make sure you handle the response as binary data.
Kluczowe wnioski
- Tagi obejmujące używają składni
<tag>tekst</tag> - xAI udostępnia ich dwanaście: głośność i natężenie (
<soft>,<whisper>,<loud>,<build-intensity>,<decrease-intensity>), wysokość tonu i tempo (<higher-pitch>,<lower-pitch>,<slow>,<fast>) oraz styl wokalny (<sing-song>,<singing>,<emphasis>) - Obejmuj całe zdania, a nie pojedyncze słowa
- Zagnieżdżanie jest możliwe, ale musi przestrzegać kolejności LIFO
- Łącz tagi inline i obejmujące, aby uzyskać ekspresyjny rezultat