Jak pisać prompty do Eleven Speech

Eleven Speech nie ma osobnego miejsca na opis głosu i nie kopiuje go z nagrania: ustawienie Głos to postać. Czytaj menu Głos jak listę castingową i wybierz głos, którego naturalny zakres pasuje do roli. Jeśli tag nie działa, sformułuj go jako cechę głosu ([low, gravelly voice]) albo przełącz się na głos, który już tak brzmi.

Stabilność określa, jak bardzo zmienia się wykonanie. Bliżej Ekspresyjny głos śmielej podąża za tagami i różni się od ujęcia do ujęcia; bliżej Stabilny trzyma się własnej bazowej barwy. Spróbuj ok. 0,3 dla zagranych, mocno otagowanych kwestii i ok. 0,7 dla narracji, która ma brzmieć tak samo w każdym ujęciu.

Sposób zapisu tekstu wpływa na wykonanie bardziej niż cokolwiek innego. Pisz naturalne, mówione zdania z pełną interpunkcją i oddzielaj fragmenty przejściem do nowej linii. Potem dodaj tagi, nie zmieniając w scenariuszu ani słowa.

Przy długiej narracji zacznij każdy akapit jednym tagiem kierunkowym dla całego fragmentu, napisanym jak wskazówka dla aktora: [Quiet, reflective narration], [Building tension, measured pace], [Warm, intimate narration]. Potem taguj tylko momenty w środku, w których coś się zmienia.

Tag audio to słowo lub krótka fraza w nawiasach kwadratowych, którą głos odgrywa, zamiast ją wypowiadać. Wstaw go tuż przed słowami, które ma zabarwić, tuż po nich dla reakcji albo w naturalnej pauzie. Tagi możesz łączyć ([whispers] [nervously]) i pisać własne zwykłymi słowami: [under his breath], [trying not to laugh], [voice breaking].

Eleven Speech generuje zarówno efekty dźwiękowe, jak i głosy, więc krótki, mglisty tag może zostać źle zrozumiany: sposób mówienia zabrzmi jak dźwięk albo odwrotnie. Opisuj sposób mówienia jako cechę głosu, np. [low, gravelly voice] albo [quietly, with controlled fear], żeby nie dało się go wziąć za efekt dźwiękowy.

Tagi niewerbalne to dźwięki, które ludzie wydają między słowami. Umieszczaj każdy tam, gdzie by się pojawił: po kwestii jako reakcję, przed nią jako rozpęd, w środku jako przerwę. Śmiech może narastać w trakcie kwestii, krok po kroku.

Eleven Speech nie czyta SSML, więc tagi przerw w nawiasach ostrych nic nie robią. Użyj wielokropka dla wahania i ciężaru, myślnika dla krótkiej przerwy, podziału wiersza między kolejnymi momentami albo tagu pauzy.

Zaakcentuj słowo wielkimi literami („To był BARDZO długi dzień”), a rytm ustaw znakami zapytania, wykrzyknikami i wielokropkami. To wszystko, czego model potrzebuje do akcentowania.

Jeśli głos źle wymawia imię lub termin, zapisz go w IPA ze znakami akcentu, między ukośnikami i w cudzysłowie: termin „/ˌbaɪoʊˈkemɪstri/” to załatwia. Obejmuj tylko te słowa, które tego wymagają. Sprawdza się też prosty zapis fonetyczny, np. „Shiv-awn” dla Siobhan. Efekty zależą od głosu, więc posłuchaj, zanim zaczniesz na nich polegać.

Tag może też umieścić dźwięk w trakcie czytania: [applause], [clapping], [door slams], [explosion], [gunshot]. Używaj go, gdy dźwięk pasuje do danej chwili, np. trzask drzwi przed kwestią.

Jeśli potrzebujesz podkładu muzycznego albo pełnej ścieżki dźwiękowej, stwórz ją w Eleven Music lub Seed Audio i podłóż pod mowę w edytorze.

Jedno generowanie mówi jednym głosem, a etykieta w rodzaju „Rozmówca 1:” albo „Mara:” zostanie przeczytana na głos. Aby stworzyć rozmowę, wybierz głos dla każdego rozmówcy, wygeneruj kwestie każdego z nich osobno jego głosem, a potem połącz klipy w kolejności w edytorze audio lub wideo, zostawiając krótkie przerwy ciszy.

Kolejne kwestie jednego rozmówcy umieszczaj w jednym generowaniu zamiast robić osobny klip dla każdego zdania. Przerwanie wypowiedzi zapisz na styku klipów: zakończ urwaną kwestię myślnikiem, a odpowiedź zacznij od [jumping in] albo [interrupting].

Napisz tekst w języku, w którym ma być mówiony. Każdy głos mówi nim płynnie, bez przenoszenia własnego akcentu, a tagi mogą zostać po angielsku.

Aby wymusić akcent, spróbuj tagu takiego jak [strong Italian accent]. Tagi akcentu zależą od głosu, więc wygeneruj kilka podejść.