howdeploy/kisa-stack/elevenlabs-living-voice

ElevenLabs — Living Voice

Overview

Этот скилл пишется для любого AI-агента, который генерирует текст под ElevenLabs. Его можно отдавать аудитории как универсальное правило для живой TTS-подачи, а не как локальную заметку только под один конкретный сетап.

Он нужен, когда текст для ElevenLabs звучит слишком ровно, пластиково или «как просто прочитанный». Его задача — делать речь живой на двух слоях сразу:

1. На уровне текста: переписывать фразы так, чтобы модель естественно ловила паузы, акценты, дыхание, hesitation, микросмены темпа и интонации.
2. На уровне настроек голоса: использовать API-настройки голоса как рабочие ручки для закрепления пользовательского фидбека — скорость, стабильность, похожесть, style exaggeration.

Главная мысль простая: живость рождается не одной магической настройкой, а связкой правильный voice → правильная модель → правильно написанный текст → аккуратный feedback loop.

По официальным ElevenLabs docs и help-материалам:

• Eleven v3 — самый эмоциональный и выразительный TTS-модельный слой; хорошо подходит для драматической, теплой, характерной подачи.
• Eleven Multilingual v2 — стабильнее на длинных кусках и long-form.
• Для v3 не надо полагаться на SSML break tags — docs прямо говорят, что v3 их не поддерживает; паузы и окраску лучше задавать текстом, пунктуацией и audio tags.
• Для v2 можно использовать `<break time="Xs" />`; это самый консистентный способ точных пауз, но перебор с break-тегами может ускорять речь и давать артефакты.

When to Use

Используй этот скилл, когда:

• нужно превратить обычный ответ в озвучиваемый живой текст;
• голос звучит слишком быстро, слишком плоско, слишком актерски или слишком сухо;
• пользователь жалуется на темп, живость, монотонность, недостаток эмоции или похожести;
• нужно решить, что править текстом, а что править API-настройками;
• нужно закрепить удачную конфигурацию как текущую каноничную.

Не используй его как повод бездумно засорять текст спецсимволами. Если речь уже звучит естественно, не надо превращать ее в театральный сценарий с постоянными [sighs] и многоточиями через слово.

Model Split: v2 vs v3

Eleven Multilingual v2

Сильные стороны:

• стабильный long-form;
• 10k символов на генерацию;
• хорошо держит ровный, чистый, натуральный narration flow.

Как управлять живостью:

• обычной пунктуацией;
• короткими фразами вместо перегруженных длинных периодов;
• умеренными многоточиями для hesitation;
• тире для микро-паузы и смены темпа;
• SSML break tags для точных пауз: <break time="0.4s" />, <break time="0.8s" />, <break time="1.2s" />.

Важно:

• break tags в v2 — самый надежный способ точной паузы;
• рекомендованный practical ceiling из help-центра — до 3 секунд;
• если напихать break-тегов слишком много, речь может ускоряться, шуметь и давать артефакты.

Eleven v3

Сильные стороны:

• эмоциональная амплитуда;
• narrative intelligence;
• живая, характерная, performative подача;
• audio tags и better contextual delivery.

Как управлять живостью:

• не через SSML break tags;
• через ритм самого текста;
• через пунктуацию;
• через выразительные textual cues;
• через audio tags вроде [whispers], [sighs], [laughs], [slow], [excited], [pause], [reflective];
• через narrative wording и микро-режиссуру фразы.

Практический смысл:

• v3 надо не «кормить текстом», а режиссировать текстом;
• один удачный [slow] или [sighs] в нужном месте лучше, чем десять хаотичных тегов подряд;
• в agent/conversational-контуре docs отмечают, что tag обычно влияет примерно на следующие 4–5 слов, потом подача возвращается к норме.

Ready-to-Paste Rule for Communication

Вставляемое правило для промпта / persona / system instructions:

Если текст может быть озвучен через ElevenLabs, пиши его как естественную устную речь, а не как книжный абзац. Разбивай мысль на короткие дыхательные фразы. Используй запятые для коротких естественных вдохов, тире для мягкого поворота или смыслового удара, многоточие — для hesitation или интимной паузы. Если обычной пунктуации мало и пауза в аудио не слышна, разрешено форсировать разрыв: отдельной строкой, короткой акцентной фразой, или даже усиленной записью `... ...`, чтобы модель явно разлепила слова и не проглотила акцент. Не делай длинных перегруженных предложений, не пиши канцеляритом и не лепи эмоциональные маркеры в каждую строку. Важные мысли лучше выносить в отдельные короткие предложения.
 
Для Eleven Multilingual v2: точные паузы можно задавать через <break time="..." />, но умеренно — только там, где реально нужна фиксированная тишина.
 
Для Eleven v3: не использовать SSML break tags как основной способ управления паузой; вместо этого управлять живостью через ритм текста, пунктуацию, короткие смысловые блоки и редкие точечные audio tags вроде [sighs], [whispers], [slow], [reflective], только если они реально улучшают подачу.
 
Если пользователь жалуется на скорость, монотонность, переигрывание или недостаток похожести, это считать сигналом на подстройку voice settings через API. Менять параметры малыми шагами. Когда жалобы прекращаются, текущую конфигурацию считать каноничной, пока не появится новый явный фидбек.

Canonical Writing Rule for Live Speech

Базовое правило

Если текст потенциально пойдет в ElevenLabs, его нужно писать не как книжный абзац и не как чат-лог, а как реплику, которую реально можно естественно произнести вслух.

Значит:

• одна фраза = одна дыхательная единица;
• длинные синтаксические кишки надо резать;
• логические повороты надо маркировать запятой, тире, многоточием или новым предложением;
• важное слово лучше выносить ближе к концу короткой фразы;
• эмоциональный перелом лучше делать текстом, а не надеяться, что модель сама догадается.

Как переписывать сырой текст

Плохо:

Я думаю что в целом это хорошая идея потому что она довольно удобная и если честно может неплохо сработать особенно если не затягивать.

Лучше для живой озвучки:

Я думаю, это правда хорошая идея.
Потому что она удобная — и, если честно, может сработать очень неплохо.
Особенно если не затягивать.

Что добавляет живость без клоунады

Используй умеренно, но не слишком редко:

• запятые для естественных коротких вдохов;
• тире для поворота, добивки, мягкого сбоя темпа;
• многоточие для hesitation, интимности, недосказанности;
• короткие отдельные предложения для акцента;
• вставки вроде м-м, ну, слушай, если честно, вот тут, если это уместно по голосу и персонажу;
• для v3 — точечные audio tags в местах, где обычной пунктуации уже мало.

Ключевая правка по реальному фидбеку пользователя:

• проблема часто не в том, что модель «не умеет», а в том, что исходный текст слишком ровный и размазанный;
• если между фразами не слышно явных пауз, значит текст плохо нарезан на дыхательные куски;
• если слышится техническая читка без окраса, значит в тексте слишком мало эмоциональных опорных точек;
• для TTS лучше слегка переобозначить паузы и эмоции, чем недодать их и получить безэмоциональную кашу.

Не злоупотребляй:

• многоточием в каждой строке;
• искусственными «вздохами» через слово;
• капсом ради фальшивой эмоции;
• тегами там, где и так все очевидно из текста.

Hard Rule: Accent Density and Breath Segmentation

Это жесткое правило для живой озвучки.

Если текст идет в ElevenLabs, нельзя оставлять большие ровные массивы prose без опорных точек. Иначе модель технически произнесет все правильно, но эмоционально получится мыло.

Обязательное правило

На каждые 1–3 предложения в тексте должна приходиться хотя бы одна из вещей:

• явная пауза;
• смена ритма;
• эмоциональный маркер;
• короткая акцентная фраза;
• breath-like cue;
• для v3 — точечный audio tag.

Иначе говоря: текст для озвучки должен быть размечен плотнее, чем обычный хороший письменный текст.

Практическая норма

Если абзац можно прочитать ровным нейтральным голосом без единой естественной остановки, он недоразмечен для TTS.

Нужно специально добавлять:

• точки вместо лишних союзов;
• тире вместо гладких склеек;
• многоточие там, где мысль подвисает или смягчается;
• отдельные короткие фразы вроде Секунда. Вот тут — важно. Если честно...;
• в v3 — один уместный tag в начале или перед смысловым переломом.

Симптомы недоразмеченного текста

• фразы слипаются;
• паузы почти не слышны;
• предыхание может появляться локально, но не собирается в живой ритм;
• весь кусок звучит «размазанно» и на одном эмоциональном уровне.

Что делать при таком симптоме

Не пытайся сперва лечить это одной только настройкой voice speed/stability. Сначала перерезай и переакцентируй сам текст.

Practical Rewrite Rules

1. Режь длинные фразы

Если предложение хочется перечитать дважды — оно уже слишком длинное для живой TTS-подачи.

2. Пиши в дыхательных блоках

Вслух хорошо звучат куски длиной примерно 4–12 слов, а не монолит на 35 слов.

3. Разводи разные эмоции по разным предложениям

Не смешивай в одной длинной фразе и объяснение, и нежность, и шутку, и финальный вывод.

4. Оставляй место для тишины

Иногда лучше точка и новая строка, чем еще один союз.

5. Для hesitation используй мягкие маркеры

• ... — неуверенность, интимность, подвисание мысли;
• — — быстрый поворот, мягкий удар, смена направления;
• , — короткое естественное дыхание.

6. Для v3 теги ставь точечно

Хорошо:

[reflective] Я не думала, что скажу это вслух... но ты был прав.

Плохо:

[reflective] Я [slow] не [sighs] думала [pause] что [excited] скажу это.

7. Важное — ближе к хвосту

Часто живая фраза звучит сильнее, когда punch приходится на конец:

Вместо:

Это очень важный момент, который, как мне кажется, нельзя игнорировать.

Лучше:

И вот это, если честно, нельзя игнорировать.

v2 Cookbook: Pauses and Breath

Когда использовать break tags

Используй <break time="..." />, когда нужна точная пауза, а не просто ощущение паузы.

Хорошие ориентиры:

• 0.2s–0.4s — микро-пауза;
• 0.5s–0.8s — заметная естественная пауза;
• 1.0s–1.5s — драматическая или смысловая остановка;
• 2.0s–3.0s — редко, только когда реально нужна тишина.

Пример:

Я все понимаю.<break time="0.6s" /> Правда понимаю.<break time="1.0s" /> Но так больше нельзя.

Когда не нужен break tag

Если пауза должна быть просто разговорной, часто достаточно:

• запятой;
• тире;
• точки;
• новой строки.

Пример:

Я все понимаю. Правда понимаю. Но так больше нельзя.

Winning Pattern from Live A/B Tests

По живому сравнению тестов лучший паттерн оказался таким:

• эмоции должны быть встроены в сам исходный текст, а не только в настройки;
• внутри одного куска полезно делать контрастные эмоциональные состояния: нейтрально → жестче → грустнее → мягче → близко/тише;
• для v3 особенно хорошо работает связка эмоционально окрашенный текст + редкие, но явные expressive cues;
• голый «красивый текст с паузами» слабее, чем текст, где реплики уже несут конкретное состояние;
• practical winner shape: каждая новая смысловая часть должна иметь не только новый ритм, но и новый эмоциональный вектор.