Как озвучивать русский текст с эмоциями в ElevenLabs
В ElevenLabs текст можно озвучивать не монотонно, а с режиссурой: голос способен переходить от шёпота к крику, менять темп, выражать тревогу, раздражение, грусть или иронию. Для этого используются английские ремарки в квадратных скобках, например [whispering]. Модель не произносит такую пометку вслух, а меняет подачу следующей фразы.
Этот подход работает и с русским текстом. В описанном тесте на ElevenLabs v4 английские теги не читались голосом, не влияли на произношение русских слов и позволяли заметно менять эмоцию внутри одной сцены. В качестве материала использовались адаптированные под разработку и офис эпизоды, стилизованные под известные фильмы.
Как сделать эмоциональную озвучку за четыре шага
- Выберите модель. Теги поддерживают Eleven v4, v4 Turbo и v3. Варианты без такой поддержки могут прочитать скобки как обычный текст.
- Подготовьте текст. Для русского языка обычно не требуется вручную расставлять ударения. Паузы задаются многоточиями, точками, разбиением на предложения или тегом вроде [long pause].
- Подберите голос. Шёпот и крик лучше получаются у голоса, который уже способен на такую манеру речи. Для русских сценариев желательно выбирать голос с естественным русским произношением.
- Расставьте теги. Первая ремарка ставится перед началом сцены, а следующие — в местах, где меняется настроение, темп или громкость.
Для готовой записи автор теста выбирал обычную v4, тогда как v4 Turbo больше ориентирована на работу в реальном времени. В экспериментах использовались настройки по умолчанию: скорость 1.0, стабильность 50 и сходство 50. Если нужен ровный закадровый текст, теги могут вообще не понадобиться — озвучка без них также способна звучать естественно.
Как работать с текстом и паузами
В описанном тесте модель корректно произносила числа, даты, букву «ё», аббревиатуру «ИИ» и слова с неоднозначным ударением. Не вызвали проблем и технические термины вроде «коммит», «бэкенд» и «ревьюер». Поэтому сначала стоит попробовать обычный текст, не перегружая его дополнительной разметкой.
Паузы лучше задавать средствами самого текста. Тег <break> в v3 и v4 не используется, поэтому вместо него подойдут многоточие, точка, перенос на новое предложение или [long pause]. Капитализация тоже влияет на подачу: слово, написанное заглавными буквами, обычно звучит более акцентированно.
Лимит одного текстового фрагмента составляет 10 000 символов. При этом небольшие отрывки могут вести себя менее стабильно: в рекомендациях для v3 отдельно отмечаются фрагменты короче 250 символов. Поэтому новую эмоцию лучше проверять не на одном коротком предложении, а на полноценном абзаце.
Правила эмоциональных тегов
- Используйте только квадратные скобки: [whispering], а не круглые или фигурные.
- Тег ставится перед фразой, к которой относится, и действует до следующей ремарки.
- Ремарки пишутся на английском, даже если основной текст русский.
- В одной скобке можно объединять совместимые характеристики: например, [calm but threatening].
- Противоположные указания в одной ремарке лучше не смешивать: сочетание вроде [whispering, shouting] может смазать результат.
- Для каждой новой эмоции используйте отдельный тег.
- Реакции и паузы можно выносить в отдельные скобки: [long pause] [exhales slowly].
Тег можно поставить и после фразы, если нужно добавить реакцию в конце реплики. Несколько последовательных ремарок также подходят для смешанных состояний: например, [hopeful] [nervous]. При этом один общий тег [angry] не всегда даёт выразительную игру. Более точный результат получается, если описать конкретную ситуацию: сдержанную злость, нервный шёпот, сухую иронию или командный тон.
Какие теги можно использовать
Теги удобно разделить на несколько групп. Эмоции высокой энергии включают excited, playful, amazed, powerful и proud. Для раздражения и агрессии подойдут mad, aggressive, bitter, critical и repelled. Тревожную подачу задают anxious, stressed, scared, threatened и vulnerable.
Для спокойных и тихих сцен используются tired, bored, distant, despair, peaceful, content, curious и thoughtful. Подачу можно уточнить тегами whispering, softly, quietly, barely audible, shouting, screaming или booming.
Отдельные ремарки отвечают за темп и реакции: slowly, rushed, long pause, laughs, sighs, gasps, crying и breathing heavily. Также встречаются указания на акцент, тип персонажа и звуковое окружение — например, роботизированную манеру, шаги, скрип двери или шум разбивающегося стекла. Список не ограничен фиксированным набором: собственные описания можно формулировать обычными словами.
Примеры смены эмоций в одной сцене
Для спокойного монолога хорошо работает последовательное снижение эмоциональной интенсивности. Например, сцена в духе «Крёстного отца» может начинаться с ремарки [slow, quiet authority, serious, gravelly voice], затем переходить к [cold, restrained disappointment], [wounded dignity] и [controlled anger, low]. Финальную реплику можно завершить тегом [flat, final, ominous]. Такая структура помогает провести слушателя от авторитетного тона через обиду к холодной угрозе.
Для тёплой и ностальгической сцены подойдут сочетания [gentle, nostalgic, slow pacing], [naive, warm], [nostalgic, wistful] и [soft, sad]. В результате голос может начать с мягкого рассказа, перейти к наивному удивлению и закончить лёгкой грустью без драматического крика.
Громкость тоже можно менять внутри одного фрагмента. В торжественной речи сначала работает сочетание [calm, steady, authoritative], затем — [low, intense], а перед финалом можно добавить [building, rising] и [epic, inspirational, slow, intense, echoing]. Для хоррор-сцены, наоборот, достаточно постоянного шёпота: [whispering, trembling voice, terrified], [fearful, barely audible] или [trembling, confiding]. Крик в таком случае не нужен — напряжение создаётся дрожью, паузами и снижением громкости.
Частые ошибки
Самая очевидная ошибка — выбор модели, которая не понимает эмоциональные ремарки. В этом случае скобки могут прозвучать вслух. Аналогичный результат получится при использовании круглых или фигурных скобок вместо квадратных. Русские теги тоже не гарантируют корректную работу, поскольку система ориентирована на англоязычные описания.
Другая проблема — конфликтующие указания в одной фразе. Если одновременно попросить голос шептать и кричать, модель может выбрать промежуточную, невыразительную подачу. Лучше разделить сцену на несколько смысловых отрезков и менять ремарку только там, где действительно меняется эмоциональный рисунок.
Наконец, тег не заменяет подходящий голос. Серьёзный низкий голос может плохо справиться с игривой сценой, а голос без подходящей манеры — с убедительным шёпотом или криком. Поэтому при неудачном результате сначала стоит сменить голос и прослушать весь фрагмент, а уже потом усложнять набор тегов.
Перед запуском генерации ElevenLabs показывает объём текста и стоимость. Выбор голоса на расход не влияет, но сами теги считаются символами. Практичный рабочий процесс выглядит так: начать с короткой сцены, выбрать голос, добавить одну ремарку, прослушать результат и только затем расставлять дополнительные теги в местах эмоциональных переходов.
