Etiquetas expressivas e controlo da fala
Nesta página
Atualizado a 3 de novembro de 2026, com base na página Text to Speech da xAI e na referência da API de Voz. As etiquetas abaixo seguem a lista oficial: 14 etiquetas inline e 12 etiquetas de envolvência. Fontes: Text to Speech · Voice API.
Para além de uma entrega plana
Se deixado à sua sorte, um motor de síntese de fala lê tudo com o mesmo tom, incluindo a frase de efeito de uma história ou o aviso crucial no meio de um manual do utilizador. O Grok TTS permite-lhe retomar o controlo com etiquetas de fala, que moldam o ritmo, o volume, o tom e o estilo, podendo até inserir risos, suspiros ou respirações. Existem dois mecanismos distintos, e confundi-los é a principal causa de resultados dececionantes: as etiquetas inline desencadeiam um efeito pontual, enquanto as etiquetas de envolvência alteram a forma como todo um trecho é lido.
Etiquetas inline: um efeito, um local
Escreve-as entre parênteses retos e elas atuam exatamente onde as coloca, sem alterar o texto seguinte.
| Categoria | Etiquetas |
|---|---|
| Pausas | [pause] curta · [long-pause] longa · [hum-tune] assobiar uma melodia |
| Rir e chorar | [laugh] gargalhada · [chuckle] risada discreta · [giggle] risinho · [cry] choro |
| Sons da boca | [tsk] desaprovação · [tongue-click] estalar a língua · [lip-smack] estalar os lábios |
| Respiração | [breath] respiração · [inhale] inspirar · [exhale] expirar · [sigh] suspiro |
As pausas são, de longe, as mais úteis no dia a dia, pois adicionam a pontuação falada que falta ao texto escrito. Compare uma instrução atropelada num fôlego só com a mesma instrução dada com espaço para respirar:
Welcome to our platform. [pause] Today, we'll explore the main features. [long-pause] Let's start with signing up.
As expressões vocais, por outro lado, exigem moderação. Um [laugh] bem colocado torna uma frase amigável; três no mesmo parágrafo fazem-no soar como um apresentador nervoso.
That's a great question! [laugh] The answer might surprise you. [pause]
Etiquetas de envolvência: um estilo, um trecho de texto
Estas etiquetas envolvem o texto que modificam, como em <tag>texto</tag>, e o seu efeito dura exatamente enquanto o trecho envolvido estiver a ser lido.
| Categoria | Etiquetas |
|---|---|
| Volume e intensidade | <soft> mais baixo · <whisper> sussurro · <loud> mais alto · <build-intensity> aumenta gradualmente · <decrease-intensity> diminui gradualmente |
| Tom e velocidade | <higher-pitch> mais agudo · <lower-pitch> mais grave · <slow> entrega mais lenta · <fast> entrega mais rápida |
| Estilo vocal | <sing-song> tom cantado · <singing> a cantar · <emphasis> ênfase |
Contrastar o volume permite hierarquizar informações sem adicionar uma única palavra: o que é dito baixinho soa a uma confidência, o que é dito alto soa a um alerta.
Listen carefully: <soft>this is a secret</soft>. But <loud>this is important!</loud>
A velocidade faz o mesmo pela atenção. Acelerar sugere urgência ou um aparte; desacelerar sinaliza uma frase que vale a pena memorizar. Este é um hábito valioso num módulo de formação, onde deve sempre desacelerar na definição de um novo termo.
Now I'm going to <fast>talk really fast to show urgency</fast> and then <slow>slow down to stress this point</slow>.
O sussurro cria cumplicidade imediata, desde que permaneça a exceção no parágrafo.
<whisper>Don't tell anyone</whisper>, but the new version comes out tomorrow!
Combinar ambas
Nada o impede de misturar as duas famílias no mesmo texto, e é aí que a síntese começa a soar como uma performance. O excerto abaixo encadeia uma respiração, pausas, um trecho mais suave, desaceleração, um sussurro, uma risada e um aumento de volume:
[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>
Leia este exemplo em voz alta, seguindo as indicações, e ouvirá que a densidade de etiquetas já está no limite do razoável. Num audiolivro inteiro, isso seria exaustivo. A regra de ouro é etiquetar os momentos que carregam intenção e deixar o resto respirar.
Onde estas etiquetas fazem realmente a diferença
Na narração de audiolivros, as pausas, os sussurros e as mudanças de ritmo são o que mantêm os ouvintes despertos durante uma hora de audição. Para um assistente de voz, uma simples [pause] entre duas informações dá tempo aos utilizadores para assimilarem uma antes da seguinte. Conteúdos educativos beneficiam da combinação de <emphasis> em termos-chave com <slow> em passagens difíceis, tal como um formador faria frente a uma turma. O marketing de áudio utiliza <build-intensity> para criar dinamismo e <loud> na chamada à ação. E para personagens de videojogos, combinar <whisper>, <lower-pitch> e [laugh] confere personalidades muito diferentes a linhas de diálogo idênticas.
Um último ponto prático: afine a sua etiquetagem com pedidos HTTP individuais, que são fáceis de reproduzir e corrigir, e depois verifique como o texto aprovado soa no seu pipeline de streaming. A xAI recomenda também envolver frases completas em vez de palavras isoladas e associar etiquetas à pontuação em vez de as empilhar.
Pontos-chave
- As etiquetas inline
[tag]inserem efeitos pontuais (pausas, risos, suspiros) - As etiquetas de envolvência
<tag>texto</tag>alteram o estilo de um trecho (volume, velocidade, tom) - Pode combinar etiquetas para criar uma narração rica e expressiva
- A xAI publica 14 etiquetas inline e 12 etiquetas de envolvência: atenha-se a essa lista