آموزش تگ Gemini TTS؛ لحن صدا را داخل متن عوض کن

متن را می‌دهی تا مدل بخواند. فایل می‌آید، تمیز هم هست، ولی تخت می‌ماند. نه زمزمه دارد، نه خنده وسط جمله، نه مکثی که انگار کسی پشت میکروفن ایستاده.

آموزش تگ Gemini TTS همین شکاف را می‌بندد. تگ را داخل خود اسکریپت می‌گذاری تا بگویی این تکه را چطور بخوان. نحو باز را از بخش Audio tags مستند Gemini API برداشته‌ایم. ۲۳ تگ پایین ریل تمرین است، فهرست بسته گوگل نیست. ساخت گفتار با اشتراک جمینای در اکوسیستم گوگل جلو می‌رود. اگر صدای ثابت برند یا کلون می‌خواهی، کار ElevenLabs است.

ویدیو آموزش تگ‌های Gemini TTS | از ربات بی‌روح تا گوینده حرفه‌ای

جواب کوتاه

تگ را انگلیسی بنویس و همان‌جا بگذار که لحن باید عوض شود. صفحه رسمی گوگل فقط بازکننده دارد: [whispers]. برای اسکریپت طولانی می‌توانی همان تگ را ببندی: [whispers] … [/whispers]. یک پرامپت کارگردانی بالای متن لازم است. تگ جای آن پرامپت نیست.

تگ چه کار می‌کند

مستند رسمی می‌گوید مدل ساخت گفتار جمینای هم متن را می‌فهمد هم لحن را. یعنی خروجی فقط از تگ نمی‌آید. معنی جمله، پرامپت بالا، و تگ داخل متن با هم جمع می‌شوند.

اسم مدل پیش‌نمایش در همان صفحه gemini-3.1-flash-tts-preview است. مدل‌های ۲.۵ پیش‌نمایش TTS هم هنوز آن‌جا هستند. این مطلب روی تگ ۳.۱ است، نه روی قیمت API.

دو لایه را قاطی نکن. کارگردانی بالای فایل می‌گوید گوینده کیست و فضا چیست. تگ فقط همان تکه متن را عوض می‌کند.

گوگل نوشته فهرست تگ‌ها تمام نمی‌شود. هر حس معقولی را می‌شود داخل کروشه انگلیسی امتحان کرد. جدول ۲۳تایی این صفحه برای این است که اول از کنترل خارج نشوی.

دو نحو

نحو باز؛ شکل صفحه رسمی

کروشه انگلیسی، بعد متن. اثر تگ تا تگ بعدی می‌ماند. نمونه‌های بخش Audio tags همین شکل‌اند. تگ بسته در آن صفحه نیست.

[whispers] Hey there, I'm a new text to speech model,
[shouting] and I can say things in many different ways.
[whispers] How can I help you today?

متن می‌تواند فارسی باشد. اسم تگ انگلیسی می‌ماند.

[whispers] این را کسی نباید بشنود.
[excitement] ولی همین الان پیدا شد.

نحو بسته؛ بلوک قابل‌تعویض

تگ را باز و بسته می‌نویسی تا محدوده برای خودت روشن باشد. اگر پلی‌گراند تگ بسته را جدی نگرفت، همان متن را با نحو باز بده.

[whispers]
این را کسی نباید بشنود.
[/whispers]
[excitement]
ولی همین الان پیدا شد.
[/excitement]

تگ بسته باید همنام تگ باز باشد. [whispers] … [/excitement] اسکریپت خراب است.

برای تست یک‌خطی در Generate Speech اول نحو باز را ببر؛ با داک یکی است. برای نریشن که بعداً یک بلوک را عوض می‌کنی، نسخه بسته را هم نگه دار. دو نحو را داخل یک فایل مخلوط نکن.

قواعدی که خروجی را خراب می‌کنند

1. تگ انگلیسی بماند، حتی اگر متن فارسی است. جمله رسمی گوگل همین است.

2. تگ را سر تغییر لحن بگذار، نه بالای فایل به‌جای کارگردانی.

3. دو تگ را به هم نچسبان. بینشان متن باشد.

4. هر جمله را تگ نکن مگر عمداً در حال تست ریل ۲۳ لحن باشی.

5. املا را حدس نزن. [whisper] با [whispers] یکی نیست.

6. خروجی چند دقیقه‌ای ممکن است کیفیتش بلغزد. خود مستند می‌گوید متن را تکه کن.

۲۳ تگ شروع

این مجموعه ریل تمرین است. در مواد عمومی جمینای هم زیاد دیده می‌شود. برای ویدیوی محصول همه را پشت‌سرهم خالی نکن.

لحن کلی

تگیعنی چهکی استفاده کن neutralبی‌طرف، خبریشروع نریشن، داده، مرحله نصب positiveگرم و موافقجمع‌بندی، خبر خوب negativeسنگین یا مخالفهشدار، محدودیت، شکست

کشش

تگیعنی چهکی استفاده کن curiosityسؤالهوک ریلز interestتمرکز بدون فریادتوضیح قابلیت aweحیرتنتیجه بزرگ؛ کم admirationتحسینخروجی خوب کاربر adorationگرمی نرملحن صمیمی؛ نه آموزش خشک

انرژی

تگیعنی چهکی استفاده کن hopeافقآخر آموزش determinationمصممدعوت به کار enthusiasmذوق پایدارقابلیت جدید excitementهیجان کوتاهریلز

فشار

تگیعنی چهکی استفاده کن confusionگیجیسؤال مخاطب annoyanceکلافگی ملایمدرد قبل از راه‌حل frustrationگیر کردنباگ، صف agitationبی‌قراریکمبود وقت nervousnessاضطرابریسک؛ کم در برند جدی tensionکشش صحنهداستان angerخشمدیالوگ نمایشی aggressionتهاجمبرای فروشگاه تقریباً هیچ‌وقت

غیرکلامی داخل همین ۲۳ تا

تگیعنی چهکی استفاده کن whispersزمزمهراز، نکته laughsخنده شنیدنیبعد از نکته سبک amusementشوخی در صداکنایه؛ لزوماً خنده نیست

ریل تست ۲۳ لحن

این متن برای انتشار محصول نیست. یک‌بار همه تگ‌ها را پشت‌سرهم می‌شنوی تا فرق interest با curiosity و فرق annoyance با anger در گوش جا بیفتد. بعد از تست، برای کار واقعی سه تا پنج تگ بردار.

قبل از چسباندن ریل، این کارگردانی را بالای متن بگذار:

Audio profile: گوینده راهنما، فارسی معیار، واضح.
Scene: استودیوی خشک آموزشی؛ بدون موسیقی پشت.
Director notes: تگ را جدی بگیر. بین بلوک‌ها شخصیت را کامل عوض کن.
هر بلوک را تا تگ بسته همان حس نگه دار. متن را کلمه به کلمه بخوان.

نسخه بسته

[neutral]
سلام! به راهنمای جامع لحن‌ها در مدل صوتی جمینای خوش اومدید. الان در حالت خنثی یا نیوترال صحبت می‌کنم؛ لحنی رسمی، یکنواخت و مناسب برای گزارش‌های خبری یا اطلاعات پایه.
[/neutral]
[interest]
اما وقتی بخوایم توجه مخاطب رو به یک موضوع جذاب جلب کنیم، لحن کنجکاوتر و متمرکزتر به خودش می‌گیره، دقیقاً مثل این حالت.
[/interest]
[curiosity]
تا حالا فکر کردید چطور تغییر یک تگ ساده می‌تونه حس و حال صدا رو کاملاً دگرگون کنه؟
[/curiosity]
[enthusiasm]
اینجاست که قضیه فوق‌العاده میشه! کنترل کامل روی احساسات و اجرای دقیق هر سناریویی که توی ذهنتونه!
[/enthusiasm]
[excitement]
باورتون نمیشه! کیفیت و زنده‌بودن این صدا واقعاً شگفت‌انگیزه! همه‌چیز سریع‌تر و پرانرژی‌تر شده!
[/excitement]
[amusement]
حتی لحن شوخ‌طبعی هم داریم؛ مثلاً وقتی که یه باگ خنده‌دار توی کد پیدا می‌کنی و نمی‌دونی بخندی یا گریه کنی!
[/amusement]
[laughs]
واقعاً خنده‌داره که هوش مصنوعی داره لحن خندیدن انسان رو با دقت تقلید می‌کنه!
[/laughs]
[admiration]
باید اعتراف کرد که معماری پشت این سیستم، شاهکاری از مهندسی صوت و یادگیری ماشینه.
[/admiration]
[adoration]
مثل یک ساخته‌ی فوق‌العاده لطیف و دوست‌داشتنی که هر کسی با شنیدنش حس گرما و آرامش می‌کنه.
[/adoration]
[positive]
همه‌چیز عالی پیش میره و نتیجه‌ی کار دقیقاً همون چیزیه که بهش امیدوار بودیم.
[/positive]
[hope]
امیدوارم این آموزش بتونه پروژه‌های بعدی شما رو چند قدم به جلو ببره و مسیرتون رو هموارتر کنه.
[/hope]
[determination]
مهم نیست چقدر چالش‌ها پیچیده بشن؛ با دقت و تمرکز کامل، این پروژه رو به بهترین شکل پیاده‌سازی می‌کنیم.
[/determination]
[whispers]
البته یادتون باشه... بعضی رازها رو فقط باید با این لحن پچ‌پچ کرد تا حس صمیمیت و تعلیق چند برابر بشه.
[/whispers]
[tension]
ناگهان... همه‌چیز متوقف میشه. لحن تنش‌زا این حس رو القا می‌کنه که هر لحظه ممکنه یک اتفاق غیرمنتظره بیفته.
[/tension]
[nervousness]
اوه... نکنه سیستم کرش کنه؟ شاید... شاید اتصال سرور قطع بشه؟ نمی‌دونم همه‌چیز درست کار می‌کنه یا نه!
[/nervousness]
[confusion]
صبر کنید ببینم... مگه الان نباید نتیجه نهایی نمایش داده می‌شد؟ چرا این خروجی هیچ ربطی به ورودی نداره؟
[/confusion]
[annoyance]
دوباره ارور داد؟ واقعاً خسته‌کننده‌ست که برای صدمین بار باید لاگ‌ها رو چک کنم.
[/annoyance]
[frustration]
چرا هر کاری می‌کنم درست نمیشه؟! همه‌چیز درسته ولی خروجی اصلاً اون چیزی نیست که باید باشه!
[/frustration]
[agitation]
دیگه دارم کلافه میشم! همه‌چیز داره به هم می‌ریزه و زمان هم از دست میره!
[/agitation]
[anger]
کافیه! این سیستم باید همین الان دقیقاً طبق دستور کار کنه، بدون هیچ خطای اضافه‌ای!
[/anger]
[aggression]
دستور من روشنه! بدون هیچ تأخیری باید پردازش کامل بشه، همین حالا!
[/aggression]
[awe]
اما وقتی طوفان تموم میشه... و عظمت صدای بازسازی‌شده رو می‌شنوید، در برابر این تکنولوژی شگفت‌زده می‌مونید.
[/awe]
[negative]
البته که همیشه همه‌چیز بی‌نقص نیست و لحن منفی هم برای بیان نارضایتی یا شکست‌ها به کار میاد.
[/negative]
[neutral]
این بود کاربرد ۲۳ لحن صوتی در جمینای. حالا نوبت شماست که این تگ‌ها رو در پروژه‌هاتون به کار بگیرید.
[/neutral]

همان ریل با نحو باز

[neutral] سلام! به راهنمای جامع لحن‌ها در مدل صوتی جمینای خوش اومدید. الان در حالت خنثی یا نیوترال صحبت می‌کنم؛ لحنی رسمی، یکنواخت و مناسب برای گزارش‌های خبری یا اطلاعات پایه.
[interest] اما وقتی بخوایم توجه مخاطب رو به یک موضوع جذاب جلب کنیم، لحن کنجکاوتر و متمرکزتر به خودش می‌گیره، دقیقاً مثل این حالت.
[curiosity] تا حالا فکر کردید چطور تغییر یک تگ ساده می‌تونه حس و حال صدا رو کاملاً دگرگون کنه؟
[enthusiasm] اینجاست که قضیه فوق‌العاده میشه! کنترل کامل روی احساسات و اجرای دقیق هر سناریویی که توی ذهنتونه!
[excitement] باورتون نمیشه! کیفیت و زنده‌بودن این صدا واقعاً شگفت‌انگیزه! همه‌چیز سریع‌تر و پرانرژی‌تر شده!
[amusement] حتی لحن شوخ‌طبعی هم داریم؛ مثلاً وقتی که یه باگ خنده‌دار توی کد پیدا می‌کنی و نمی‌دونی بخندی یا گریه کنی!
[laughs] واقعاً خنده‌داره که هوش مصنوعی داره لحن خندیدن انسان رو با دقت تقلید می‌کنه!
[admiration] باید اعتراف کرد که معماری پشت این سیستم، شاهکاری از مهندسی صوت و یادگیری ماشینه.
[adoration] مثل یک ساخته‌ی فوق‌العاده لطیف و دوست‌داشتنی که هر کسی با شنیدنش حس گرما و آرامش می‌کنه.
[positive] همه‌چیز عالی پیش میره و نتیجه‌ی کار دقیقاً همون چیزیه که بهش امیدوار بودیم.
[hope] امیدوارم این آموزش بتونه پروژه‌های بعدی شما رو چند قدم به جلو ببره و مسیرتون رو هموارتر کنه.
[determination] مهم نیست چقدر چالش‌ها پیچیده بشن؛ با دقت و تمرکز کامل، این پروژه رو به بهترین شکل پیاده‌سازی می‌کنیم.
[whispers] البته یادتون باشه... بعضی رازها رو فقط باید با این لحن پچ‌پچ کرد تا حس صمیمیت و تعلیق چند برابر بشه.
[tension] ناگهان... همه‌چیز متوقف میشه. لحن تنش‌زا این حس رو القا می‌کنه که هر لحظه ممکنه یک اتفاق غیرمنتظره بیفته.
[nervousness] اوه... نکنه سیستم کرش کنه؟ شاید... شاید اتصال سرور قطع بشه؟ نمی‌دونم همه‌چیز درست کار می‌کنه یا نه!
[confusion] صبر کنید ببینم... مگه الان نباید نتیجه نهایی نمایش داده می‌شد؟ چرا این خروجی هیچ ربطی به ورودی نداره؟
[annoyance] دوباره ارور داد؟ واقعاً خسته‌کننده‌ست که برای صدمین بار باید لاگ‌ها رو چک کنم.
[frustration] چرا هر کاری می‌کنم درست نمیشه؟! همه‌چیز درسته ولی خروجی اصلاً اون چیزی نیست که باید باشه!
[agitation] دیگه دارم کلافه میشم! همه‌چیز داره به هم می‌ریزه و زمان هم از دست میره!
[anger] کافیه! این سیستم باید همین الان دقیقاً طبق دستور کار کنه، بدون هیچ خطای اضافه‌ای!
[aggression] دستور من روشنه! بدون هیچ تأخیری باید پردازش کامل بشه، همین حالا!
[awe] اما وقتی طوفان تموم میشه... و عظمت صدای بازسازی‌شده رو می‌شنوید، در برابر این تکنولوژی شگفت‌زده می‌مونید.
[negative] البته که همیشه همه‌چیز بی‌نقص نیست و لحن منفی هم برای بیان نارضایتی یا شکست‌ها به کار میاد.
[neutral] این بود کاربرد ۲۳ لحن صوتی در جمینای. حالا نوبت شماست که این تگ‌ها رو در پروژه‌هاتون به کار بگیرید.

اگر وسط ریل کیفیت ریخت، از whispers به بعد را درخواست دوم کن. گوگل برای فایل چند دقیقه‌ای همین را می‌گوید.

چیزهایی که داک رسمی جداگانه نشان می‌دهد

بعد از این‌که ریل بالا در گوشت نشست، این تگ‌ها را یکی‌یکی اضافه کن. جایگزین جدول ۲۳ نیستند.

سرعت و عبارت داخل کروشه

[very fast] این را سریع بخوان.
[very slow] این را کلمه به کلمه بکش.
[sarcastically, one painfully slow word at a time] Brilliant.

تگ لازم نیست یک کلمه باشد. گوگل عبارت انگلیسی داخل کروشه را هم نمونه آورده است.

صدای غیرکلامی بیشتر

تگ نمونه در داککار [laughs] / [giggles]خنده یا خنده کوتاه [sighs]آه [gasp]نفس حیرت یا ترس [cough]سرفه [crying]گریه در صدا [shouting]بلند [tired] / [trembling]خسته یا لرزان

تگ خلاق

[like a cartoon dog] این را مثل سگ کارتونی بگو.
[like dracula] این را مثل دراکولا بگو.
[bored] Hey there, I'm a new text to speech model.
[reluctantly] Hey there, I'm a new text to speech model.

چون فهرست بسته نیست، [asmr] یا [like a tired night-shift host] را هم می‌شود تست کرد. تا اسکریپت محصول پایدار نشده، این لایه را برای دمو نگه دار.

کارگردانی قبل از تگ

صفحه رسمی برای اجرای پایدار این بلوک‌ها را پیشنهاد می‌کند. اجباری نیستند. برای ریل ۲۳ لحن و نریشن تکراری مفیدند.

• Audio Profile: اسم، نقش، شخصیت صدا

• Scene: مکان و حس فضا

• Director's Notes: سرعت، لهجه، تنفس

• Sample context: گوینده از کجا وارد می‌شود

• Transcript: متن به‌علاوه تگ

AUDIO PROFILE: راوی محصول پیکسول. مطمئن، کوتاه، بدون شعار.
SCENE: توضیح صفحه اشتراک روی دسکتاپ. اتاق ساکت.
DIRECTOR'S NOTES: فارسی معیار. سرعت متوسط.
تگ فقط سر تغییر لحن. اعداد را واضح بخوان.
TRANSCRIPT:
[neutral] پلن را انتخاب می‌کنی و پرداخت می‌کنی.
[positive] کد همان لحظه در حساب است.

پرامپت مبهم گاهی از فیلتر API رد نمی‌شود. یک خط واضح مثل «متن زیر را به گفتار تبدیل کن» بالای اسکریپت بگذار.

اسکریپت کوتاه برای انتشار

نریشن محصول

[neutral]
کد بعد از پرداخت روی صفحه سفارش می‌آید.
[/neutral]
[interest]
نیازی نیست تا فردا منتظر ایمیل مبهم بمانی.
[/interest]
[determination]
اگر مسیرت حساب گوگل است، اشتراک جمینای را باز کن.
[/determination]

هوک ریلز

[curiosity]
سایتت برای گوگل نقشه دارد. برای مدل صوتی چی؟
[/curiosity]
[whispers]
تگ را داخل خود متن می‌گذاری.
[/whispers]
[enthusiasm]
یک‌بار با whispers بساز، یک‌بار بدون تگ.
[/enthusiasm]

پادکست تک‌گوینده

[annoyance] خروجی مثل پیامک صوتی اداره شده.
[confusion] جمله خبری است، مدل جشن گرفته.
[amusement] اسکریپت هیچ ضربه‌ای ندارد.
[determination] این بند را با سه تگ دوباره بساز.

دو گوینده و سی صدای آماده

در مستند رسمی حداکثر دو گوینده در یک ساخت تعریف می‌شود. اسم گوینده در پرامپت باید با اسم تنظیم صدا یکی باشد. سی صدای ازپیش‌ساخته هست؛ Kore محکم است، Puck سرحال، Enceladus نفس‌دار. کلون صدای برند در این مسیر TTS نیست.

دیالوگ چندنفره جدی یا صدای ثابت کمپین را ببر روی صفحه ElevenLabs. جمینای برای تست لحن و کار داخل حساب گوگل است.

اشتباه‌های رایج

ریل ۲۳ لحن را جای ویدیوی محصول نگذار. شنونده تا دقیقه دوم شخصیت را گم می‌کند. فایل منتشرشده چند نقطه عطف دارد، نه بیست‌وسه تا.

تگ را با معنی متن جنگ نده. جمله محدودیت بازگشت وجه را با enthusiasm نخوان.

تگ فارسی مبنای کار نیست. [زمزمه] را کنار بگذار و [whispers] بنویس.

تگ صدای تو را نمی‌سازد. همان صدای انتخاب‌شده را کارگردانی می‌کند. کلون کار ایلون‌لبز است.

داک رسمی نحو باز دارد. این راهنما نحو بسته را هم بلد است. اگر یکی ضعیف جواب داد، همان متن را با نحو دیگر بساز. خروجی را داور بدان.

جمینای یا ایلون‌لبز

اگر همین هفته نریشن را با حساب گوگل می‌سازی، از صفحه اشتراک جمینای شروع کن و ریل ۲۳ لحن را در Generate Speech یک‌بار کامل گوش بده.

اگر صدای برند، کلون یا دیالوگ چندنفره قابل‌انتشار می‌خواهی، صفحه ElevenLabs را باز کن.

بقیه اشتراک‌ها در دسته اشتراک هوش مصنوعی است. تحویل و بازگشت در سؤالات متداول و پشتیبانی.

سؤالات پرتکرار

داک رسمی تگ بسته دارد؟

در بخش Audio tags نمونه‌ها فقط به شکل [tag] آمده‌اند. نحو بسته قرارداد این راهنماست تا بلوک را راحت عوض کنی. اگر مدل تگ بسته را نادیده گرفت، نسخه باز همان متن را بده و همان فایل را گوش کن.

این ۲۳ تگ تمام تگ‌هاست؟

نه. گوگل می‌گوید فهرست بسته‌ای وجود ندارد. ۲۳ تگ مجموعه شروع این مطلب است تا اول فرق لحن‌ها را بشنوی. بعد می‌توانی تگ سرعت یا تگ خلاق همان صفحه رسمی را یکی‌یکی اضافه کنی.

تگ را فارسی بنویسم؟

نه. متن می‌تواند فارسی باشد. اسم تگ انگلیسی می‌ماند. مستند رسمی همین را برای متن غیرا انگلیسی توصیه کرده است. [whispers] درست است؛ [زمزمه] را مبنای کار نگذار.

تگ جای پرامپت سبک را می‌گیرد؟

نه. اول یک خط کارگردانی بنویس: گوینده کیست، فضا چیست، سرعت کلی کدام است. تگ فقط همان لحظه‌ای را عوض می‌کند که مشخص کرده‌ای. پرامپت مبهم گاهی از فیلتر API هم رد نمی‌شود.

پیکسول اسکریپت را هم می‌نویسد؟

نه. پیکسول اشتراک را بعد از پرداخت روی صفحه سفارش می‌دهد. نوشتن تگ و ساخت فایل با خودت است. اگر خودِ دسترسی یا کد معیوب بود، از مسیر پشتیبانی پیگیری کن، نه از روی لحن خروجی.

کار بعدی

ریل ۲۳ لحن را در Generate Speech با نحو باز بساز. همان را با نحو بسته تکرار کن. سه تگی که بهتر نشستند را بردار و روی یک بند واقعی محصول بگذار.

حساب گوگل از خرید اشتراک جمینای. استودیوی صدا از خرید اشتراک ElevenLabs. جزئیات تگ را یک‌بار دیگر از Audio tags رسمی چک کن؛ مدل و نمونه ممکن است جلوتر از این مطلب عوض شوند.