Исполнением голоса можно управлять тремя способами: тегами эмоций и пауз в тексте, настройками голоса и Mastering после генерации. Набор инструментов зависит от выбранного движка и режима.
Эмоции, звуки и паузы
В двух режимах эмоций (эмоции и диалекты, эмоции и диалекты повышенного качества) подачей управляют тегами в квадратных скобках. Теги пишутся по-английски независимо от языка текста.
- Эмоции: [happy] [excited] [sad] [angry] [afraid] [calm] [curious]
- Подача: [whispering] [shouting] [serious] [sarcastic] [questioning] [crying]
- Звуки: [laughing] [chuckles] [sighs] [gasps] [coughs] [yawns]
- Эффекты: [applause] [clapping] [gunshot] [explosion]
Для пауз нажмите Add pause и выберите длительность либо напишите [break_1.5] в тексте, отправляемом через API или MCP, со значением от 0,1 до 10 секунд. Не более 20 пауз и 30 секунд пауз на текст.
Две оговорки: теги ещё тестируются и срабатывают не всегда, поэтому прослушайте строку с тегом, прежде чем на неё полагаться; а в режиме Studio Quality теги не действуют.
Настройки голоса
- Temperature: чем выше, тем больше свободы и выразительности, чем ниже, тем стабильнее. Хорошая отправная точка — около 25–50.
- Similarity: насколько результат следует исходному голосу. Снизьте, если клонированный голос создан из зашумлённых образцов.
- Speed: только в Studio Quality, от 0,7 до 1,2.
- Expressiveness: только в Studio Quality. Для длинного повествования держите низким.
- Language: оставьте Auto, если голос не читает текст на неверном языке.
Движок Advanced
В движке Advanced вы описываете в поле Context, как исполнять текст: настроение, темп, кто говорит и с кем. Это его самый сильный способ управления. Temperature по-прежнему определяет, насколько ровной или разнообразной будет подача.
Mastering
После генерации откройте Mastering в плеере, начните с пресета вроде Podcast, Warm или Cinema, настройте басы, высокие, реверберацию и громкость и скачайте результат.
Подробнее — в документации Text to Speech. Для длинных текстов см. Audio Studio.