什么是音频标签？情感 TTS 全面指南

音频标签是用中括号括起来的自然语言提示，如 [laughs]、[gasps]、[excited]、[worried]，Eleven v3 会将其视为表演指令，而不是要朗读的内容。在为文本转语音模型编写脚本时，插入这些音频标签可以精细控制语音的情感表达。Eleven v3 发布，音频提示成为一项必备技能。现在不仅能输入或粘贴要让 AI 语音说的话，还能用全新功能——音频标签——来控制情感和表达方式。

Eleven v3 是一款 alpha 版本的 研究预览，基于全新模型。相比之前的模型，需要更多 提示词设计，但生成效果非常惊艳。

ElevenLabs 音频标签是用方括号包裹的词语，Eleven v3 新模型能识别并据此调整语音表现。例如 [excited]、[whispers]、[sighs]，甚至 [gunshot]、[clapping]、[explosion] 等。

音频标签可自定义

本指南将介绍音频标签是什么、如何使用、所有可用标签类别，以及它们与 SSML（语音合成标记语言）的对比。还会介绍常见应用场景，并提供对应的详细指南。

可在脚本任意位置插入音频标签，实时调整语音表现。标签可组合使用，甚至一句话内也能混用。标签主要分为几类：

摘要：

这些标签可设定语音的情感基调，比如低落、激烈或愉快。可以单独或组合使用 [sad]、[angry]、[happily]、[sorrowful] 等。

播放

播放

音频标签直接插入在脚本文本中，并用中括号包裹。每当需要切换表达方式，比如从正常语气切换到 [worried]，只需添加相应的音频标签即可。

这类标签主要调节语气和表现力。可用来调整音量和情绪强度，适合需要克制或强调的场景。例如：[whispers]、[shouts]，甚至 [x accent]。

播放

播放

人类反应

Eleven v3 的架构让模型能比以往更深入理解上下文，无需额外参数或设置，就能根据情感提示、语调变化、说话人切换和上下文线索进行表达。只需告诉模型当前需要什么表现，它就能准确还原。

播放

播放

Eleven v3 还能自然处理多角色对话，包括打断、情绪变化和真实对话的来回互动，仅靠标签和脚本结构即可实现。

音频标签与 SSML 的区别

如果你用过其他 TTS 系统，应该见过语音合成标记语言（SSML）。像 Amazon Polly 和 Microsoft Azure Speech 这类平台会用 <break> 或 <emphasis> 等 SSML 标签，为 TTS 脚本增加更多上下文。多角色对话，让对话更自然，支持打断、情绪切换和细腻互动，只需简单提示即可实现。

现已上线

Eleven v3 不支持 SSML 的 break 标签及其他 SSML 标签集。取而代之的是音频标签、标点和文本结构本身，带来更细致的表达控制。

Eleven v3 已在 ElevenLabs UI 上线，现 6 月底前享受 8 折优惠。Eleven v3（alpha）公测 API 也已开放。无论是试用还是大规模部署，现在正是探索新可能的好时机。

可参考下表，将常见 SSML 标签与 Eleven v3 的用法进行对照。

对写作者来说，直接加一个 [whispers] 标签，比设置 prosody rate 要简单得多。标签，如 【低语】, 【轻声笑】，或 【法国口音】，灵活控制语境、情感、语速，甚至多角色对话。

v3 中的音频标签类别：用标签引导演绎

• 情境感知 – 通过标签如 【低语】, 【喊叫】，以及 【叹气】，Eleven v3 可根据场景调整表现，强化氛围、缓和警告或制造悬念。
• 角色演绎 – 从 【海盗语气】 到 【法国口音】，标签让旁白变成角色扮演。可随时切换角色，无需更换模型。
• 情感表达 – 用标签如 【叹气】, 【兴奋】，或 【疲惫】，实时调节情绪，叠加紧张、轻松或幽默，无需重新录制。
• 叙事节奏 – 讲故事讲究节奏。用标签如 【停顿】, 【敬畏】，或 【戏剧性语气】 控制语速和重音，
• 多角色对话 – 用 【打断】, 【重叠】 或语气切换，写出重叠台词和快速对话。一个模型，多种声音，一次完成自然对话。
• 表达控制 – 精细调节语速和重音。用标签如 【停顿】, 【急促】，或 【拉长】，精准把控节奏，让文本变成表演。
• 口音模拟 – 随时切换地区口音——【美式口音】, 【英式口音】, 【美国南方口音】 等，无需更换模型即可实现多元文化表达。