一句话定义：Audio Tags（音频标签，也叫表达控制标签）是直接写进 TTS（Text-to-Speech，文本转语音）输入文本里的方括号标记，用来告诉模型这句话该怎么"演"——低声、大笑、叹气、不耐烦，而不只是把字念对。
它解决了什么问题
早期的语音合成更像朗读机：你给一段字，它还你一段音，情绪全靠标点和运气。想让声音有表情，通常得走两条路——调一个全局的情感参数，或者丢一段参考音频过去。ElevenLabs 在较新的语音模型里加入了表达控制标签，把"演"这件事拉回到了文本里（具体支持哪些标签、哪些版本可用，以官方页面为准）。
打个比方：老式 TTS 像播音员拿到一张只有台词的纸，只能靠标点猜语气；Audio Tags 相当于给这张纸补上了剧本的舞台提示——（小声）（冷笑）（深吸一口气）。模型在训练中见过大量"文本 + 括号提示 + 对应声音"的配对，于是学会把方括号里的词当作指令处理，而不是当作要念的内容。它改变的不只是音高，还包括气声比例、语速、停顿位置，甚至直接插进一段笑声或吸气声。
怎么写
[whispers] 我只告诉你一个人。
标签一般放在要生效的位置之前，且通常只认英文——写 [低语] 大概率无效。大致分两类：
- 状态型：
[excited][sad][nervous]，影响往后一段的说话方式 - 事件型：
[laughs][sighs][clears throat]，是一个瞬间发出的非语言声音
和相邻概念的区别
| 控制手段 | 控制什么 | 作用粒度 |
|---|---|---|
| Audio Tags | 语气、情绪、非语言声音 | 句内、逐句切换 |
| SSML 标签 | 停顿、语速、音量、发音 | 结构化位置 |
| 参考音频 / 声音克隆 | 音色、整体说话习惯 | 全局 |
| 情感参数滑块 | 整体情绪倾向 | 整段 |
| AI 词典：系统提示词">系统提示词 | 整段表演基调 | 整段 |
一句话：克隆管"谁在说"，提示词管"整场什么调"，Audio Tags 管"这一句怎么说"。
常见踩坑
1. 标签被念出来。模型不支持或格式写错时，"左括号 whispers 右括号"会被老老实实读出来，交付前必须试听。
2. 堆太多。一句话塞三四个标签，模型顾此失彼，效果反而飘。一句一个，最多两个。
3. 和标点打架。！！！ 本身就会拉高音调，再叠一个 [excited] 容易破音。
4. 作用范围不精确。标签通常持续到下一个标签或句末，想只影响其中一个词，往往做不到，只能靠断句绕。
5. 跨平台不通用。A 平台的标签粘到 B 平台就是一段奇怪的正文，迁移时要清洗。
6. 别指望稳定复现。同一个标签跑两次结果可能不同，批量生产要留人工抽检环节。
对从业者和普通人的意义
对做产品的人，这意味着语音的"表演层"第一次可以被当成文本来版本管理——同一个脚本模板，批量产出平静版、激动版、耳语版，做有声书、播客、游戏 NPC、课程配音时省掉大量手工调参。对普通人，它提示的是一件更大的事：和生成模型打交道，越来越像写剧本、写批注，而不是拧旋钮。