Πώς να γράψεις prompt για το Eleven Speech

Το Eleven Speech δεν έχει ξεχωριστό σημείο για να περιγράψεις μια φωνή και δεν αντιγράφει φωνή από κλιπ: η ρύθμιση Φωνή είναι ο χαρακτήρας. Διάβασε το μενού Φωνή σαν λίστα κάστινγκ και διάλεξε τη φωνή που το φυσικό της εύρος ταιριάζει στον ρόλο. Αν ένα tag δεν περνάει, διατύπωσέ το ως ιδιότητα της φωνής ([low, gravelly voice]) ή άλλαξε σε φωνή που έχει ήδη αυτόν τον τρόπο εκφοράς.

Η Σταθερότητα ορίζει πόσο κινείται η ερμηνεία. Προς το Εκφραστικό, η φωνή ακολουθεί τα tags πιο τολμηρά και διαφέρει από λήψη σε λήψη· προς το Σταθερό, μένει κοντά στη δική της βάση. Δοκίμασε περίπου 0,3 για ερμηνευμένες γραμμές με πολλά tags και περίπου 0,7 για αφήγηση που πρέπει να ακούγεται ίδια σε όλες τις λήψεις.

Ο τρόπος που γράφεται το κείμενο επηρεάζει την ερμηνεία περισσότερο από οτιδήποτε άλλο. Γράψε φυσικές προτάσεις προφορικού λόγου με πλήρη στίξη και βάλε αλλαγή γραμμής ανάμεσα στις στιγμές. Μετά πρόσθεσε tags, χωρίς να αλλάξεις ούτε μία λέξη του σεναρίου.

Για μακρά αφήγηση, άνοιξε κάθε παράγραφο με ένα tag οδηγίας για ολόκληρο το απόσπασμα, γραμμένο σαν σημείωση προς ηθοποιό: [Quiet, reflective narration], [Building tension, measured pace], [Warm, intimate narration]. Μετά βάλε tags μόνο στις στιγμές μέσα σε αυτό που αλλάζουν.

Ένα audio tag είναι μια λέξη ή μια σύντομη φράση σε αγκύλες που η φωνή ερμηνεύει αντί να την πει. Βάλ' το ακριβώς πριν από τις λέξεις που χρωματίζει, ακριβώς μετά από αυτές για αντίδραση, ή σε μια φυσική παύση. Τα tags συνδυάζονται ([whispers] [nervously]) και μπορείς να γράψεις τα δικά σου με απλά λόγια: [under his breath], [trying not to laugh], [voice breaking].

Το Eleven Speech φτιάχνει ηχητικά εφέ εκτός από φωνές, οπότε ένα σύντομο, αόριστο tag μπορεί να ακουστεί λάθος: ένας τρόπος εκφοράς να διαβαστεί σαν ήχος ή το αντίστροφο. Διατύπωσε τον τρόπο εκφοράς ως ποιότητα της φωνής, π.χ. [low, gravelly voice] ή [quietly, with controlled fear], ώστε να μη θεωρηθεί ηχητική υπόδειξη.

Τα μη λεκτικά tags είναι οι ήχοι που βγάζουν οι άνθρωποι ανάμεσα στις λέξεις. Βάλε το καθένα εκεί που θα συνέβαινε: μετά από μια φράση για αντίδραση, πριν από αυτήν για φόρα, στη μέση για διακοπή. Ένα γέλιο μπορεί να χτιστεί μέσα σε μια φράση σταδιακά.

Το Eleven Speech δεν διαβάζει SSML, οπότε τα break tags σε αγκύλες < > δεν κάνουν τίποτα. Χρησιμοποίησε αποσιωπητικά για δισταγμό και βάρος, παύλα για σύντομη διακοπή, αλλαγή γραμμής ανάμεσα στα beats ή ένα tag παύσης.

Τόνισε μια λέξη με κεφαλαία («It was a VERY long day») και όρισε τον ρυθμό με ερωτηματικά, θαυμαστικά και αποσιωπητικά. Αυτή είναι όλη η έμφαση που χρειάζεται το μοντέλο.

Για ένα όνομα ή όρο που η φωνή λέει λάθος, γράψ' το σε IPA με σημεία τονισμού, ανάμεσα σε κάθετους και μέσα σε διπλά εισαγωγικά: Ο όρος «/ˌbaɪoʊˈkemɪstri/» τον καλύπτει. Περίκλεισε μόνο τις λέξεις που το χρειάζονται. Μια απλή φωνητική γραφή, όπως «Shiv-awn» για το Siobhan, δουλεύει επίσης. Τα αποτελέσματα διαφέρουν ανά φωνή, οπότε άκουσε πριν βασιστείς σε κάτι.

Ένα tag μπορεί επίσης να τοποθετήσει έναν ήχο μέσα στην ανάγνωση: [applause], [clapping], [door slams], [explosion], [gunshot]. Χρησιμοποίησέ το όταν ο ήχος ανήκει στη στιγμή, όπως μια πόρτα πριν από μια φράση.

Για μουσικό υπόβαθρο ή ολόκληρο soundscape, φτιάξ' το στο Eleven Music ή στο Seed Audio και μίξ' το κάτω από την ομιλία σε έναν editor.

Μία δημιουργία μιλά με μία φωνή, και μια ετικέτα όπως «Speaker 1:» ή «Mara:» διαβάζεται φωναχτά. Για μια συζήτηση, διάλεξε μια φωνή για κάθε ομιλητή, δημιούργησε χωριστά τις φράσεις του καθενός με τη δική του φωνή και μετά ένωσε τα κλιπ με τη σειρά σε έναν editor ήχου ή βίντεο, με σύντομες σιωπές για τα κενά.

Βάλε τις διαδοχικές φράσεις ενός ομιλητή σε μία δημιουργία αντί για ένα κλιπ ανά πρόταση. Γράψε τις διακοπές πάνω στο σημείο κοπής: τέλειωσε τη φράση που κόβεται με παύλα και ξεκίνα την απάντηση με [jumping in] ή [interrupting].

Γράψε το κείμενο στη γλώσσα που θέλεις να ακουστεί. Κάθε φωνή τη μιλά με ευφράδεια, χωρίς να περνά τη δική της προφορά, και τα tags μπορούν να μείνουν στα αγγλικά.

Για να επιβάλεις μια προφορά, δοκίμασε ένα tag όπως [strong Italian accent]. Τα tags προφοράς διαφέρουν ανά φωνή, γι' αυτό δημιούργησε μερικές λήψεις.