Теги ElevenLabs v4: как получить голос со смехом и шёпотом в озвучке

Озвучка нейросетью звучит ровно и правильно, но именно это выдаёт её с первых секунд. Живой человек смеётся не по расписанию, делает паузу не там, где поставлена точка, иногда переходит на шёпот посреди фразы. ElevenLabs закрыла этот разрыв моделью Eleven v4 через аудио-теги прямо внутри текста.

Что такое аудио-тег

Это слово в квадратных скобках прямо в тексте для озвучки, которое модель читает не как текст, а как инструкцию по подаче. Например: «Это было непросто. [sighs] Но мы справились. [laughs] Если бы вы видели моё лицо в тот момент».

Модель вставит вздох и смех в нужном месте, не произнося слова «вздыхает» или «смеётся» вслух. Поддерживаются теги вроде [laughs], [whispers], [excited], [sighs], [pause] и [long pause], и их можно комбинировать внутри одной фразы для более тонкой подачи.

Почему именно v4 держит это лучше прежних версий

Главное отличие от более ранней Eleven v3: v4 следует последовательностям тегов надёжнее, включая голоса, которые никогда не были записаны с такой интонацией. Голос, который в исходной записи никогда не шептал, скорее всего отработает тег [whispers], хотя ElevenLabs прямо предупреждает: результат может звучать не так чисто, как на голосах, уже записанных с похожей интонацией.

На практике это снимает частую проблему: раньше эмоциональный тег работал только на голосах, у которых в библиотеке уже была похожая по эмоции запись. Остальные звучали фальшиво. Сейчас разница заметно меньше.

v4 и v4 Turbo: разные задачи

Eleven v4 рассчитана на уже подготовленный контент: аудиокниги, подкасты, профессиональную озвучку, диалоги персонажей. Среднее время отклика у неё выше, но качество подачи приоритетнее скорости.

Eleven v4 Turbo создана для реального времени: голосовые ассистенты, разговорный ИИ, живое общение с пользователем. Медианная задержка около 100 миллисекунд, время до первого звука речи около 150 миллисекунд. Для рилса или подкаста, который записывается заранее, Turbo не нужна: разница в задержке здесь не играет роли. А вот для бота с голосовым ответом в реальном времени это и есть то, за что стоит платить.

Обе версии поддерживают клонирование голоса и больше 90 языков. Тарификация идёт по тем же кредитам, что и у остальных моделей текста в речь ElevenLabs.

Как вписать теги в сценарий без перегруза

Три рабочих правила из практики озвучки контента:

• - Один-два тега на абзац, не больше. Текст, утыканный тегами через каждое предложение, звучит дёрганым, а не живым.
• - Тег ставится там, где реально нужна смена подачи, а не в начале и конце фразы по привычке.
• - Перед финальной записью стоит прогнать один короткий фрагмент с тегами отдельно и прослушать, вписался ли тег туда, куда задумано: модель иногда сдвигает акцент на соседнее слово.

Для рилса с говорящим текстом за кадром или подкаста такие теги убирают ту самую ровность, которая выдаёт нейросеть с первой фразы.

Про рабочие инструменты для контента и голоса пишу в канале «Растём с ИИ». Смежный материал: Voicebox, бесплатная альтернатива ElevenLabs. Если нужно собрать систему аудио- и видеоконтента под Вашу нишу целиком, можно начать с бесплатной консультации.