Uttrycksfulla taggar och talstyrning
På denna sida
Uppdaterat den 3 november 2026, baserat på xAI:s sida Text to Speech och referensen för Voice API. Taggarna nedan följer den officiella listan: 14 inline-taggarna och 12 omslutande taggar. Källor: Text to Speech · Voice API.
Utöver en platt leverans
Om en talmotor får bestämma själv läser den allt med samma tonfall, inklusive poängen i en historia eller den viktiga varningen mitt i en användarguide. Med Grok TTS kan du ta tillbaka kontrollen med taltaggar, som formar tempo, volym, tonhöjd och stil, och till och med kan infoga skratt, suckar eller andetag. Det finns två distinkta mekanismer, och att blanda ihop dem är den vanligaste orsaken till besvikande resultat: inline-taggarna utlöser en engångseffekt, medan omslutande taggar ändrar hur ett helt stycke läses upp.
Inline-taggarna: en effekt, en plats
Du skriver dem inom hakparenteser, och de verkar exakt där du placerar dem utan att ändra texten som följer.
| Kategori | Taggar |
|---|---|
| Pauser | [pause] kort · [long-pause] lång · [hum-tune] hummar en melodi |
| Skratt och gråt | [laugh] hjärtligt skratt · [chuckle] tyst fniss · [giggle] fniss · [cry] gråt |
| Mundljud | [tsk] ogillande · [tongue-click] tungsmäll · [lip-smack] läppsmack |
| Andning | [breath] andetag · [inhale] inandning · [exhale] utandning · [sigh] suck |
Pauser är långt ifrån de mest användbara i vardagen, eftersom de lägger till det talade skiljetecken som skriven text saknar. Jämför en instruktion som rasslas av i ett svep med samma instruktion som ges utrymme att andas:
Welcome to our platform. [pause] Today, we'll explore the main features. [long-pause] Let's start with signing up.
Vokala uttryck kräver å andra sidan en lätt hand. En välplacerad [laugh] får en mening att kännas vänlig; tre i samma stycke får dig att låta som en nervös programledare.
That's a great question! [laugh] The answer might surprise you. [pause]
Omslutande taggar: en stil, ett textstycke
Dessa taggar omger den text de modifierar, som i <tag>text</tag>, och deras effekt varar exakt så länge som det omslutna stycket.
| Kategori | Taggar |
|---|---|
| Volym och intensitet | <soft> tystare · <whisper> viskning · <loud> högre · <build-intensity> bygger gradvis upp · <decrease-intensity> tonar gradvis ut |
| Tonhöjd och hastighet | <higher-pitch> högre · <lower-pitch> lägre · <slow> långsammare leverans · <fast> snabbare leverans |
| Vokal stil | <sing-song> sjungande tonfall · <singing> sång · <emphasis> betoning |
Kontrasterande volym låter dig rangordna information utan att lägga till ett enda ord: det som sägs mjukt låter som en förtrolighet, det som sägs högt som en varning.
Listen carefully: <soft>this is a secret</soft>. But <loud>this is important!</loud>
Hastighet gör detsamma för uppmärksamheten. Att öka farten antyder brådska eller en sidokommentar; att sakta ner signalerar en mening värd att komma ihåg. Det är en värdefull vana i en utbildningsmodul, där du alltid saktar ner vid definitionen av en ny term.
Now I'm going to <fast>talk really fast to show urgency</fast> and then <slow>slow down to stress this point</slow>.
Viskning skapar omedelbar samförståndskänsla, så länge den förblir undantaget i stycket.
<whisper>Don't tell anyone</whisper>, but the new version comes out tomorrow!
Att kombinera båda
Inget hindrar dig från att blanda de två familjerna i samma text, och det är här syntesen börjar låta som en framträdande. Utdraget nedan kedjar samman ett andetag, pauser, ett mjukare parti, uppbromsning, en viskning, ett skratt och en volymökning:
[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>
Läs detta exempel högt och följ anvisningarna, så hör du att taggtätheten redan ligger på gränsen till det rimliga. I en hel ljudbok skulle så mycket vara utmattande. Tumregeln är att tagga de ögonblick som bär avsikt och låta resten andas.
Där dessa taggar verkligen gör skillnad
Inom ljudboksinläsning är det pauser, viskningar och tempoväxlingar som håller lyssnarna vakna under en timmes lyssning. För en röstassistent ger en enkel [pause] mellan två informationsbitar användaren tid att ta till sig den ena innan nästa kommer. Utbildningsinnehåll drar nytta av att kombinera <emphasis> på nyckelbegrepp med <slow> på svåra partier, precis som en utbildare skulle göra framför en klass. Ljudmarknadsföring använder <build-intensity> för att bygga upp momentum och <loud> vid uppmaningen till handling. Och för videospelskaraktärer ger kombinationen av <whisper>, <lower-pitch> och [laugh] identiska dialograder väldigt olika personligheter.
En sista praktisk punkt: finjustera din taggning med individuella HTTP-förfrågningar, som är lätta att spela upp och korrigera, och kontrollera sedan hur den godkända texten låter i din strömningspipeline. xAI rekommenderar också att du omsluter hela meningar snarare än isolerade ord, och att du parar ihop taggar med skiljetecken istället för att stapla dem.
Viktiga punkter
- Inline-taggarna
[tag]infogar engångseffekter (pauser, skratt, suckar) - Omslutande taggar
<tag>text</tag>ändrar stilen i ett passage (volym, hastighet, tonfall) - Du kan kombinera taggar för att skapa rik, uttrycksfull inläsning
- xAI publicerar 14 inline-taggarna och 12 omslutande taggar: håll dig till den listan