Tagi ekspresyjne i sterowanie mową
Na tej stronie
Zaktualizowano 3 listopada 2026 r. na podstawie strony Text to Speech od xAI oraz dokumentacji API Voice. Poniższe tagi pochodzą z oficjalnej listy: 14 tagów inline i 12 tagów obejmujących tekst. Źródła: Text to Speech · Voice API.
Poza płaską wymową
Pozostawiony sam sobie silnik mowy odczyta wszystko tym samym tonem, łącznie z pointą historii czy kluczowym ostrzeżeniem w środku instrukcji obsługi. Grok TTS pozwala Ci przejąć kontrolę dzięki tagom mowy, które kształtują tempo, głośność, wysokość dźwięku i styl, a nawet potrafią wstawić śmiech, westchnienie czy oddech. Istnieją dwa odrębne mechanizmy, a ich mylenie to najczęstsza przyczyna rozczarowujących rezultatów: tagi inline wywołują jednorazowy efekt, podczas gdy tagi obejmujące zmieniają sposób odczytu całego fragmentu tekstu.
Tagi inline: jeden efekt, jedno miejsce
Wpisujesz je w nawiasach kwadratowych i działają dokładnie tam, gdzie je umieścisz, nie zmieniając tekstu, który następuje po nich.
| Kategoria | Tagi |
|---|---|
| Pauzy | [pause] krótka · [long-pause] długa · [hum-tune] nuci melodię |
| Śmiech i płacz | [laugh] serdeczny śmiech · [chuckle] cichy chichot · [giggle] giggles · [cry] płacz |
| Dźwięki ust | [tsk] dezaprobata · [tongue-click] cmoknięcie językiem · [lip-smack] mlasknięcie wargami |
| Oddychanie | [breath] oddech · [inhale] wdech · [exhale] wydech · [sigh] westchnienie |
Pauzy są zdecydowanie najbardziej przydatne na co dzień, ponieważ dodają interpunkcję mówioną, której brak w tekście pisanym. Porównaj instrukcję wyrecytowaną jednym tchem z tą samą instrukcją, która ma miejsce na oddech:
Welcome to our platform. [pause] Today, we'll explore the main features. [long-pause] Let's start with signing up.
Z kolei ekspresja wokalna wymaga lekkiej ręki. Dobrze umiejscowiony [laugh] sprawia, że zdanie brzmi przyjaźnie; trzy takie tagi w tym samym akapicie sprawią, że będziesz brzmieć jak zestresowany gospodarz.
That's a great question! [laugh] The answer might surprise you. [pause]
Tagi obejmujące: jeden styl, jeden fragment tekstu
Tagi te otaczają modyfikowany tekst, np. <tag>tekst</tag>, a ich efekt trwa dokładnie tak długo, jak obejmuje zaznaczony fragment.
| Kategoria | Tagi |
|---|---|
| Głośność i intensywność | <soft> ciszej · <whisper> szept · <loud> głośniej · <build-intensity> stopniowe budowanie · <decrease-intensity> stopniowe wyciszanie |
| Wysokość i szybkość | <higher-pitch> wyżej · <lower-pitch> niżej · <slow> wolniejsze podawanie · <fast> szybsze podawanie |
| Styl wokalny | <sing-song> ton śpiewny · <singing> śpiew · <emphasis> akcent |
Kontrastująca głośność pozwala hierarchizować informacje bez dodawania ani słowa: to, co powiedziane cicho, brzmi jak zwierzenie, a to, co głośno – jak alert.
Listen carefully: <soft>this is a secret</soft>. But <loud>this is important!</loud>
Szybkość działa podobnie na uwagę. Przyspieszenie sugeruje pilność lub dygresję; zwolnienie sygnalizuje zdanie warte zapamiętania. To cenny nawyk w module szkoleniowym, gdzie zawsze zwalniasz przy definicji nowego terminu.
Now I'm going to <fast>talk really fast to show urgency</fast> and then <slow>slow down to stress this point</slow>.
Szept natychmiast buduje poczucie współudziału, pod warunkiem że pozostaje wyjątkiem w akapicie.
<whisper>Don't tell anyone</whisper>, but the new version comes out tomorrow!
Łączenie obu typów
Nic nie stoi na przeszkodzie, aby mieszać obie rodziny tagów w tym samym tekście – właśnie wtedy synteza zaczyna brzmieć jak występ. Poniższy fragment łączy oddech, pauzy, cichszy passage, zwolnienie, szept, śmiech i wzrost głośności:
[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>
Przeczytaj ten przykład na głos, podążając za wskazówkami, a usłyszysz, że gęstość tagów znajduje się już na granicy rozsądku. W całej książce audio taka ilość byłaby wyczerpująca. Złota zasada brzmi: oznaczaj tagami momenty niosące intencję, a reszcie pozwól oddychać.
Gdzie te tagi naprawdę robią różnicę
W narracji książek audio to pauzy, szepty i zmiany tempa utrzymują słuchaczy w stanie czujności przez godzinę słuchania. W przypadku asystenta głosowego prosta [pause] między dwiema informacjami daje użytkownikom czas na przyswojenie jednej przed drugą. Treści edukacyjne zyskują dzięki łączeniu <emphasis> na kluczowych terminach z <slow> na trudnych fragmentach, dokładnie tak, jak robiłby to trener przed klasą. Marketing audio wykorzystuje <build-intensity> do budowania dynamiki i <loud> przy wezwaniu do działania. A w przypadku postaci z gier wideo, połączenie <whisper>, <lower-pitch> i [laugh] nadaje identycznym liniom dialogowym zupełnie różne osobowości.
Jeszcze jedna uwaga praktyczna: dopracuj swoje tagowanie za pomocą indywidualnych żądań HTTP, które łatwo odtworzyć i poprawić, a następnie sprawdź, jak zatwierdzony tekst brzmi w Twoim potoku strumieniowania. xAI zaleca również obejmowanie tagami całych zdań, a nie pojedynczych słów, oraz parowanie tagów z interpunkcją zamiast ich piętrzenia.
Kluczowe wnioski
- Tagi inline
[tag]wstawiają jednorazowe efekty (pauzy, śmiech, westchnienia) - Tagi obejmujące
<tag>tekst</tag>zmieniają styl fragmentu (głośność, tempo, ton) - Możesz łączyć tagi, aby tworzyć bogatą, ekspresyjną narrację
- xAI publikuje 14 tagów inline i 12 tagów obejmujących: trzymaj się tej listy