رفتن به محتوا
ورودثبت‌نام رایگان

راهنمای پرامپت‌نویسی

نحوه نوشتن پرامپت برای Eleven Speech

راهنمای پرامپت Eleven Speech: چطور ElevenLabs v4 را با تگ‌های صوتی مثل [whispers] و [laughs]، مکث، تلفظ و نمونه‌های گویندگی هدایت کنید.

امتحان Eleven v4صفحه مدل Eleven Speech

شروع سریع

اولین پرامپت عالی شما برای Eleven Speech

هر آنچه یک تازه‌کار در یک دقیقه نیاز دارد: نکات اولیه، مهم‌ترین قانون‌ها، یک قالب برای پر کردن و پرامپت‌هایی برای کپی کردن.

اول این‌ها را بدانید

پرامپت شما همان متن اجراست. Eleven Speech هر کلمه‌ای را که بنویسید با صدایی که انتخاب کرده‌اید می‌خواند، به‌جز کلمات داخل کروشه: آن‌ها تگ صوتی هستند و اجرا را هدایت می‌کنند، مثل [whispers]، [laughs]، [sarcastic] یا [sighs]. جمله‌ها را همان‌طور که باید به گوش برسند بنویسید، تگ را درست قبل از کلماتی که رنگ می‌دهد بگذارید و صدایی متناسب با نقش انتخاب کنید. تنظیم صدا همان شخصیت است و طول کلیپ به اندازه زمان خواندن کلمات است.

مهم‌ترین قانون‌ها

  1. فقط آنچه باید گفته شود را بنویسید

    هر چیزی بیرون از کروشه خوانده می‌شود، حتی توضیحات صحنه. «She said softly» بلند خوانده می‌شود؛ اما [softly] اجرا می‌شود.

  2. تگ را قبل از کلماتی که رنگ می‌دهد بگذارید

    [annoyed] This is hard. واکنش درست بعد از کلمات می‌آید: This is hard. [sighs]

  3. فقط چیزی را تگ کنید که شنیده می‌شود

    احساسات، شیوه‌های بیان و صداهایی که یک صدا می‌تواند تولید کند: [excited]، [whispers]، [chuckles]. صدا نمی‌تواند [smiling] یا [walks away] را اجرا کند.

  4. صدایی انتخاب کنید که با تگ‌ها جور باشد

    حالتی که صدا از قبل دارد بهترین نتیجه را می‌دهد. یک راهنمای نرم و گرم با قانع‌کنندگی فریاد نمی‌زند و یک گوینده خبر رسمی ممکن است [giggles] را نادیده بگیرد. اول صدا را انتخاب کنید، بعد تگ بزنید.

  5. اعداد و نمادها را با حروف بنویسید

    «Forty-five dollars» به‌جای «$45» و «two thirty PM» به‌جای «14:30». صدا ممکن است رقم‌ها، نمادها و اختصارها را اشتباه بخواند.

این قالب را پر کنید

هر بخشِ داخل کروشه را با ایده خودتان جایگزین کنید و بخشی را که لازم ندارید حذف کنید.

قالب
[Direction tag] [First line]
[Delivery tag] [Next line] [Reaction tag]
قالب پرشده
[Warm, conversational tone] I wasn't going to tell anyone this... but I've been practicing.
[whispers] Every night. In the garage. [laughs]
  • [Direction tag] حال‌وهوای کل متن، داخل کروشه: [Warm, conversational tone].
  • [First line] کلماتی که باید گفته شوند، برای گوش نوشته شده و با علامت‌گذاری کامل و بدون کروشه.
  • [Delivery tag] حال‌وهوای کلمات بعدی، داخل کروشه: [whispers]، [excited]، [sarcastic].
  • [Next line] کلمات بعدی که باید گفته شوند.
  • [Reaction tag] صدایی که بعد از کلمات از گوینده شنیده می‌شود، داخل کروشه: [laughs]، [sighs]، [clears throat]. اگر خط به آن نیاز ندارد، حذفش کنید.

پرامپت‌هایی برای شروع

  • یک خط، سه حال‌وهوا

    [appalled] Are you serious? [sighs] I can't believe you did that!

    چرا جواب می‌دهد: یک تگ حال‌وهوا را پیش از کلمات تعیین می‌کند، تگ دوم در میانه واکنش نشان می‌دهد و بقیه را علامت‌گذاری انجام می‌دهد.

  • گویندگی یک محصول

    [excited] Meet the lightest trail shoe we've EVER made. [short pause] Two hundred grams... [impressed] and it still grips wet rock. [warm, confident] Go further. Feel less.

    چرا جواب می‌دهد: حروف بزرگ روی یک کلمه تأکید می‌گذارند، وزن جمله با کلمات نوشته شده و یک تگ مکث و سه‌نقطه ریتم را تنظیم می‌کنند. صدا را روی Elowen بگذارید.

  • بازیگری شخصیت

    [Low, steady voice, restrained urgency] Keep the lantern covered. If they see the light, they'll know we crossed the river.

[Quietly, with controlled fear] I heard them at the bridge... not soldiers. Something else.

[Voice rising into firm resolve] Then we don't stop. We reach the tower before sunrise.

    چرا جواب می‌دهد: هر بخش با یک یادداشت ساده برای بازیگر شروع می‌شود و بخش‌ها با یک خط خالی از هم جدا می‌شوند. صدا را روی Sawyer بگذارید و پایداری را به سمت بیانگر ببرید.

  • زبانی دیگر

    [cheerfully] ¡Buenos días! Hoy vamos a preparar el mejor café de olla de tu vida... [whispers] con un ingrediente secreto.

    چرا جواب می‌دهد: متن را به زبانی بنویسید که می‌خواهید گفته شود؛ هر صدا آن را روان می‌خواند و تگ‌ها می‌توانند انگلیسی بمانند.

پیشرفته

پرامپت‌نویسی پیشرفته برای Eleven Speech

تکنیک‌هایی برای کنترل بیشتر، وقتی اصول اولیه را یاد گرفتید.

انتخاب صدا و پایداری

Eleven Speech جایی جداگانه برای توصیف صدا ندارد و صدا را از روی کلیپ هم کپی نمی‌کند: تنظیم صدا همان شخصیت است. فهرست صداها را مثل فهرست انتخاب بازیگر بخوانید و صدایی را بردارید که دامنه طبیعی‌اش با نقش جور است. اگر تگی اثر نکرد، آن را به‌صورت ویژگی صدا بنویسید ([low, gravelly voice]) یا به صدایی بروید که آن حالت را از قبل دارد.

پایداری تعیین می‌کند اجرا چقدر تغییر کند. به سمت بیانگر، صدا جسورانه‌تر از تگ‌ها پیروی می‌کند و از یک اجرا به اجرای دیگر فرق می‌کند؛ به سمت ثابت، به حالت پایه خودش نزدیک می‌ماند. برای جمله‌های بازیگری و پرتگ حدود ۰٫۳ و برای روایتی که باید در همه اجراها یکسان باشد حدود ۰٫۷ را امتحان کنید.

  • روایت و قصه‌گویی: Darian، Elara، Florence یا Sawyer. تبلیغ‌های پرانرژی و توضیحی: Elowen، Jade یا Lawrence. جمله‌های دوستانه و خودمانی: Maisie، Warren یا Baxter. خواندن به سبک خبر: Alicia یا Eldrin. راهنما یا مربی: Talia، Caleb یا Wyatt. قهرمان بازی: Kaelen.
  • Seed یکسان اجرایی مشابه می‌دهد، نه کاملاً یکی. برای یک جمله مهم، دو یا سه اجرا تولید کنید و بهترین را نگه دارید.

ساختار: برای گوش بنویسید

شیوه نوشتن متن بیش از هر چیز دیگری روی اجرا اثر می‌گذارد. جمله‌های طبیعی گفتاری را با علامت‌گذاری کامل بنویسید و بین هر بخش یک خط فاصله بگذارید. بعد تگ‌ها را اضافه کنید، بدون اینکه حتی یک کلمه از متن را عوض کنید.

برای روایت‌های بلند، هر پاراگراف را با یک تگ راهنما برای کل آن بخش شروع کنید، مثل یادداشتی برای بازیگر: [Quiet, reflective narration]، [Building tension, measured pace]، [Warm, intimate narration]. بعد فقط لحظه‌هایی را تگ بزنید که در همان بخش تغییر می‌کنند.

  • احساس را در تگ بنویسید، نه در روایت دور جمله: «she asked, her voice trembling» بلند خوانده می‌شود، اما [trembling] Are you leaving? اجرا می‌شود.
  • وقتی خود داستان می‌گوید «He laughed loudly»، همان کلمات را نگه دارید و اگر صدای خنده را هم می‌خواهید، بعدش [chuckles] اضافه کنید. هرگز روایت را به تگ تبدیل نکنید.
  • حالت اجرا را در جمله‌ها متنوع کنید (پرانرژی، آرام، متعجب، متفکر) و هرگز تگی نگذارید که با معنای جمله در تضاد باشد.
  • گفتار با سرعت عادی حدود ۲٫۵ کلمه در ثانیه است، پس یک گویندگی ۳۰ ثانیه‌ای حدود ۷۵ کلمه جا می‌دهد. برای جا شدن در یک نما، متن را کوتاه کنید، نه اینکه اجرا را شتاب‌زده کنید.

روایت بلند، یک تگ برای هر بخش

The rain had stopped before dawn, leaving the old road silver beneath the moon.

[Quiet, reflective narration] She had promised herself she would not return. Yet there she was, at the gate, with the key cold against her palm.

[Building tension, measured pace] The lock turned easily. Too easily. [Softly, with wonder] On the table sat a single lantern... already lit.

چرا جواب می‌دهد: پاراگراف اول با سبک خود صدا خوانده می‌شود، هر پاراگراف بعدی با یک یادداشت برای کل بخش شروع می‌شود و یک تگ داخل متن نقطه چرخش را نشان می‌دهد. صدا را روی Florence بگذارید.

تگ‌های صوتی برای احساس و شیوه اجرا

تگ صوتی یک کلمه یا عبارت کوتاه داخل کروشه است که صدا به‌جای گفتنش آن را اجرا می‌کند. آن را درست قبل از کلماتی که رنگ می‌دهد بگذارید، برای واکنش درست بعد از آن‌ها، یا در یک مکث طبیعی. تگ‌ها را می‌شود ترکیب کرد ([whispers] [nervously]) و می‌توانید خودتان هم با کلمات ساده بنویسید: [under his breath]، [trying not to laugh]، [voice breaking].

Eleven Speech علاوه بر صدا، افکت صوتی هم می‌سازد؛ برای همین ممکن است یک تگ کوتاه و مبهم اشتباه شنیده شود و مثلاً یک لحن به‌جای صدا یا برعکس برداشت شود. لحن را به‌صورت ویژگی صدا بنویسید، مثل [low, gravelly voice] یا [quietly, with controlled fear]، تا با یک افکت صوتی اشتباه گرفته نشود.

  • تگ‌های آزمایشی از صدایی به صدای دیگر بیشتر تفاوت دارند: [strong French accent] (هر لهجه‌ای جواب می‌دهد)، [sings] و [woo]. قبل از اتکا به آن‌ها امتحانشان کنید.
  • اگر تگ‌ها خیلی کمرنگ شدند، Stability را کمتر کنید؛ اگر صدا اغراق کرد، بیشترش کنید.
بنویسیدچه کاری می‌کند
[excited]انرژی شاد، تند و سرحال.
[sarcastic]خشک و آگاهانه: منظور کلمات برعکس معنایشان است.
[whispers]نجوایی پرنفس.
[shouting]صدایی بلند و رسا.
[thoughtful]آهسته‌تر، با سنجیدن هر کلمه.
[curious]لحنی کنجکاو و پرسشی.
[annoyed]بریده‌بریده و عصبی.
[appalled]مخالفتی شوکه‌شده.
[mischievously]بازیگوش، انگار نقشه‌ای در سر دارد.
[crying]اشک‌آلود و لرزان.
[happy] [sad] [angry] [surprised]احساسات پایه که هرکدام به کلمات بعد از خود رنگ می‌دهند.
[under his breath]زیر لب، انگار قرار نیست کسی بشنود.

خنده، آه و نفس

تگ‌های غیرکلامی صداهایی هستند که آدم‌ها بین حرف‌هایشان درمی‌آورند. هرکدام را همان‌جا بگذارید که اتفاق می‌افتد: بعد از جمله برای واکنش، قبل از آن برای شروع، و وسط جمله برای وقفه. خنده می‌تواند مرحله‌به‌مرحله در طول یک جمله اوج بگیرد.

بنویسیدچه کاری می‌کند
[laughs]یک خنده کامل.
[chuckles]خنده‌ای کوچک و آرام.
[giggles]خنده‌ای سبک و زیر.
[starts laughing]وسط جمله زیر خنده می‌زند.
[laughs harder]خنده‌ای که از قبل شروع شده و بیشتر می‌شود.
[wheezing]آن‌قدر خنده که نفس تمام می‌شود.
[sighs]خسته، آسوده یا کلافه، بسته به جمله.
[exhales sharply]بازدمی کوتاه و محکم: ناامیدی یا تعجب.
[inhales deeply]یک نفس عمیق پیش از حرف زدن.
[clears throat]صاف کردن گلو پیش از جمله.
[gulps]قورت دادن آب دهان از استرس.
[snorts]فین‌فینی از خنده یا تحقیر.

خنده‌ای که اوج می‌گیرد

Okay, okay, I'll tell you. [chuckles] So the goat... [starts laughing] the goat ate the WEDDING invitations. [laughs harder] All two hundred of them. [wheezing] I'm sorry, I can't.

چرا جواب می‌دهد: خنده در چهار مرحله بالا می‌گیرد، هرکدام در جایی که واقعاً اتفاق می‌افتد، و کلمات دور آن سالم می‌مانند.

مکث، تأکید و تلفظ

Eleven Speech از SSML پشتیبانی نمی‌کند، پس تگ‌های break داخل علامت‌های < > هیچ اثری ندارند. برای تردید و سنگینی از سه‌نقطه، برای وقفه کوتاه از خط تیره، بین هر بخش از شکست خط، یا از تگ مکث استفاده کنید.

یک کلمه را با حروف بزرگ انگلیسی تأکید کنید ("It was a VERY long day") و ریتم را با علامت سؤال، علامت تعجب و سه‌نقطه تنظیم کنید. مدل بیشتر از این به تأکید نیاز ندارد.

برای نام یا اصطلاحی که صدا اشتباه می‌خواند، آن را با IPA و نشانه‌های تکیه، بین دو اسلش و داخل گیومه دوتایی بنویسید: عبارت "/ˌbaɪoʊˈkemɪstri/" این کار را می‌کند. فقط کلماتی را که لازم است داخل آن بگذارید. بازنویسی ساده، مثل "Shiv-awn" برای Siobhan، هم جواب می‌دهد. نتیجه از صدایی به صدای دیگر فرق می‌کند، پس قبل از اتکا به آن گوش بدهید.

  • همه‌چیز را همان‌طور که گفته می‌شود بنویسید: "January second" به‌جای 01/02، "one hundred percent" به‌جای 100%، "Doctor" به‌جای Dr. و "mage dot space slash pricing" برای آدرس وب.
  • هرگز @ در متن نگذارید: Mage علامت @ و حروف بعد از آن را یک handle ذخیره‌شده می‌داند و اگر handle ذخیره نشده باشد، تولید پیش از کسر هر هزینه‌ای متوقف می‌شود. به‌جای آن "at" بنویسید، مثل "find us at mage space".
بنویسیدچه کاری می‌کند
...تردید، یا سنگینی پیش از آنچه می‌آید.
—وقفه‌ای کوتاه، یا جمله‌ای که وسط فکر بریده می‌شود.
[short pause]لحظه‌ای سکوت.
[long pause]سکوتی طولانی‌تر و عمدی.

افکت صوتی داخل گفتار

یک تگ می‌تواند صدایی را هم داخل گفتار قرار دهد: [applause]، [clapping]، [door slams]، [explosion]، [gunshot]. وقتی از آن استفاده کنید که صدا به آن لحظه تعلق دارد، مثل صدای در پیش از یک جمله.

برای موسیقی پس‌زمینه یا یک فضای صوتی کامل، آن را با Eleven Music یا Seed Audio بسازید و در یک ویرایشگر زیر گفتار میکس کنید.

اول یک صدا، بعد صدای گوینده

[applause] Thank you, thank you. [laughs] Please, sit down... [clears throat] Tonight, we're giving away something no one here has ever seen.

چرا جواب می‌دهد: تشویق لحظه را باز می‌کند، بعد یک خنده و صاف کردن گلو گوینده را به جمله می‌رسانند.

گفت‌وگو بین چند صدا

هر تولید فقط با یک صدا حرف می‌زند و برچسبی مثل "Speaker 1:" یا "Mara:" بلند خوانده می‌شود. برای گفت‌وگو، برای هر گوینده یک صدا انتخاب کنید، جمله‌های هر گوینده را جداگانه با صدای خودش تولید کنید و بعد کلیپ‌ها را به ترتیب در ویرایشگر صدا یا ویدیو کنار هم بگذارید و بین آن‌ها سکوت‌های کوتاه بیندازید.

جمله‌های پشت‌سرهم یک گوینده را در یک تولید بگذارید، نه یک کلیپ برای هر جمله. حرف‌پراکنی را در محل برش بنویسید: جمله نیمه‌تمام را با خط تیره تمام کنید و پاسخ را با [jumping in] یا [interrupting] شروع کنید.

  • برای هر گوینده در همه کلیپ‌ها از یک صدا و یک مقدار Stability استفاده کنید تا گفت‌وگو مثل یک ضبط واحد به گوش برسد.
  • برای قطع کردن حرف، کلیپ اول را با خط تیره تمام کنید ("So I was thinking we could—") و پاسخ را، با صدای دیگر، با یک تگ و خط تیره شروع کنید ("[jumping in] —test the new timing?").

نوبت یک گوینده در صحنه‌ای دوصدایی

[nervously] So... I may have tried to fix the boiler myself. [sheepish laugh] It's making a NEW noise now.

چرا جواب می‌دهد: یک صدا، یک نوبت، بدون برچسب گوینده: آن را با Maisie تولید کنید، پاسخ را با صدای دیگری بسازید و هر دو را به هم وصل کنید.

زبان‌ها و لهجه‌های دیگر

متن را به همان زبانی بنویسید که می‌خواهید گفته شود. هر صدا آن را روان می‌خواند، بدون اینکه لهجه خودش را به آن منتقل کند، و تگ‌ها می‌توانند انگلیسی بمانند.

برای تحمیل یک لهجه، تگی مثل [strong Italian accent] را امتحان کنید. تگ‌های لهجه از صدایی به صدای دیگر فرق می‌کنند، پس چند بار تولید کنید.

اشتباهات رایج

این کار را نکنید، به‌جایش این کار را بکنید

  • نکنید: دستورهای صحنه که داخل متن نوشته می‌شوند.

    She whispered nervously: Is anyone there?

    به‌جایش: تگ‌ها؛ آن‌ها اجرا می‌شوند، نه خوانده.

    [whispers] [nervously] Is anyone there?

  • نکنید: تگ برای چیزهایی که می‌بینید: [smiling]، [walks away]، [music].

    به‌جایش: تگ برای چیزهایی که می‌شنوید: [warmly]، [chuckles]، [sighs]. موسیقی را با Eleven Music بسازید.

  • نکنید: تگ‌های توقف SSML.

    به‌جایش: سه‌نقطه، خط تیره، رفتن به خط بعد یا [short pause].

  • نکنید: عدد، نماد و آدرس وب‌سایت.

    Tickets are $45 at 14:30. Details at mage.space/events.

    به‌جایش: همه‌چیز را همان‌طور که گفته می‌شود بنویس.

    Tickets are forty-five dollars at two thirty PM. Details at mage dot space slash events.

  • نکنید: برچسب گوینده در یک تولید: «Speaker 1: سلام. Speaker 2: هی.»

    به‌جایش: برای هر گوینده یک تولید جداگانه و کنار هم گذاشتن آن‌ها در یک ویرایشگر.

  • نکنید: تگی که با صدا یا معنی جمله جور درنمی‌آید.

    به‌جایش: صدایی که همان لحن را دارد و تگ‌هایی که با کلمات هماهنگ‌اند.

  • نکنید: تگ مبهم تک‌کلمه‌ای که به‌صورت افکت صوتی شنیده می‌شود.

    به‌جایش: یکی از ویژگی‌های صدا: [low, gravelly voice].

  • نکنید: تغییر دادن کلمات هنگام تگ‌گذاری.

    به‌جایش: متن دقیقاً همان‌طور که نوشته شده، با تگ‌هایی که دورش اضافه می‌شود.

سؤالات متداول

پرسش‌هایی درباره پرامپت‌نویسی برای Eleven Speech

تگ‌های صوتی ElevenLabs چیست؟
کلمه‌هایی داخل کروشه که صدا را هدایت می‌کنند و خوانده نمی‌شوند: [whispers]، [laughs]، [sarcastic]، [sighs] یا عبارتی مثل [Low, steady voice, restrained urgency]. تگ را درست قبل از کلماتی که تغییر می‌دهد بگذار، یا برای یک واکنش درست بعد از آن‌ها.
پرامپت Eleven Speech چقدر باید طولانی باشد؟
به اندازهٔ خود گفتار. هر کلمه‌ای که بیرون از تگ‌ها باشد خوانده می‌شود و مدت کلیپ برابر با زمان گفتن متن است، یعنی با سرعت عادی حدود ۲٫۵ کلمه در ثانیه. متن طولانی وقتی در چند پاراگراف باشد و هر پاراگراف با یک تگ جهت‌دهنده شروع شود، بهتر خوانده می‌شود.
چطور در Eleven Speech مکث اضافه کنم؟
با سه‌نقطه برای تردید، خط تیره برای وقفهٔ کوتاه، رفتن به خط بعد بین بخش‌ها، یا تگ [short pause] یا [long pause]. تگ‌های توقف SSML پشتیبانی نمی‌شوند.
چطور Eleven Speech را وادار کنم نجوا کند یا بخندد؟
برای نجوا، [whispers] را قبل از کلمات بگذار و [laughs] را بعد از جمله‌ای که خنده دارد. اگر صدایی تگ را نادیده گرفت، Stability را به سمت Expressive ببر یا صدایی انتخاب کن که به آن لحن بخورد.
چطور تلفظ یک اسم را درست کنم؟
اسم را با IPA و نشانه‌های تکیه، بین دو اسلش و داخل گیومهٔ دوتایی بنویس، مثل "/ˌbaɪoʊˈkemɪstri/"، یا آن را همان‌طور که شنیده می‌شود بازنویسی کن. نتیجه را گوش بده، چون از صدایی به صدای دیگر فرق می‌کند.
آیا Eleven Speech می‌تواند در یک کلیپ دو صدا داشته باشد؟
نه. هر تولید فقط با یک صدا صحبت می‌کند و برچسب گوینده هم بلند خوانده می‌شود. هر گوینده را جداگانه با صدای خودش تولید کن و کلیپ‌ها را در یک ویرایشگر کنار هم بگذار.
چرا تگ من مثل افکت صوتی شنیده شد؟
Eleven Speech افکت صوتی هم می‌سازد، برای همین ممکن است یک تگ کوتاه مثل افکت شنیده شود. آن را به‌صورت یکی از ویژگی‌های صدا بازنویسی کن، مثلاً [low, gravelly voice] به‌جای [gravel].

اولین صدایت را با ElevenLabs v4 بساز

حساب‌های جدید ۳۰۰ Gem رایگان می‌گیرند که برای امتحان Eleven v4 کافی است. بدون نصب و بدون کارت اعتباری.

امتحان Eleven v4