Per què l’emoció és la nova frontera de la síntesi de veu
Vols crear-ho tu mateix? L’API de text-to-speech i clonació de veu de Speechify està disponible a speechify.ai, amb documentació i una clau gratuïta a docs.speechify.ai.
Els sistemes TTS moderns fa anys que ja han resolt la intel·ligibilitat. El Blizzard Challenge, una referència anual que segueix l’evolució de la síntesi de veu des del 2005, va informar que el 2021 la veu sintètica ja era indistinguible de la veu natural pel que fa a la intel·ligibilitat, i pràcticament igual de natural (Perrotin et al., 2024). Per tant, el sector ha fet un pas endavant. Ara la pregunta interessant ja no és si s’entén la veu, sinó si la veu realment transmet allò que diu. Ara Speechify ofereix no només text to speech, sinó també text to speech emocional.
Speechify ofereix text to speech emocional
El catàleg d’emocions de Speechify inclou Enfadat, Alegre, Trist, Espantat, Relaxat, Atemorit, Sorprès, Calmat, Afirmatiu, Enèrgic, Acollidor, Directe i Lluminós. Aquest conjunt s’ha triat per cobrir el ventall de tons que pot adoptar un narrador real, un actor o un presentador dins d’un sol projecte. Un vídeo explicatiu pot començar amb un to Lluminós, passar a Calmat a la secció tècnica i acabar amb un to Acollidor. Un personatge de videojoc pot passar d’Afirmatiu a Espantat en dues frases.
Ús de les emocions en el generador de veu amb IA de Speechify
El Generador de Veu amb IA es troba dins de Speechify Studio i és l’eina que fan servir els creadors per fer locucions, vídeos de màrqueting, audiollibres i fragments de podcast. Només cal enganxar-hi el guió, triar la veu i després aplicar un estil emocional a tot el clip o a una secció concreta. Com que les emocions s’apliquen per selecció, la mateixa locució pot tenir una introducció Alegre, una proposta de valor Afirmativa i una cloenda Acollidora sense canviar de veu.
Alguns exemples pràctics en què això és clau:
Vídeos de màrqueting creats amb eines com CapCut sovint requereixen dos o tres tons diferents: captar l’atenció, fer una promesa i convidar a l’acció. En lloc de gravar tres veus, pots generar una sola locució amb l’emoció canviant línia per línia. Audiollibres i la narració de ficció també se’n beneficien molt, ja que els diàlegs poden reflectir emocions diverses sense haver de contractar diverses veus. Per a vídeos explicatius, un únic to Calmat en una secció densa afavoreix més la claredat que no pas intentar sonar “entretingut” tota l’estona.
Ús de les emocions a l’API de Speechify
Els desenvolupadors poden utilitzar les mateixes 13 emocions a través de l’API de Speechify gràcies a l’etiqueta SSML <speechify:style>. Només cal envoltar el text que vols estilitzar i indicar l’emoció; l’API retorna l’àudio amb l’estil emocional aplicat només a aquell fragment. Així, un assistent virtual pot sonar Afirmatiu quan confirma un pagament i Acollidor quan saluda un usuari recurrent, sense canviar de veu durant la sessió.
Les plataformes d’e-learning fan servir el mateix recurs per marcar el feedback dels qüestionaris: Alegre per als encerts, Directe per a les correccions, Calmat per a les pistes. Els motors de ficció interactiva canalitzen els diàlegs amb etiquetes emocionals per línia, i així una sola veu clonada pot assumir tots els personatges.
Generador de Veu amb IA de Speechify vs. API: què escollir?
On canvia realment el que pots crear amb veus emocionals
El TTS amb emoció és la peça que faltava per donar més creativitat. Una sola veu d’estil celebritat al llarg de tot un audiollibre, un personatge animat capaç de fer riure i plorar, una introducció de podcast amb el to perfecte: tot això era impossible amb una síntesi plana. Ara funciona perquè l’emoció surt de la veu, no de les instruccions del guió. Per als creadors que ja fan servir veus de celebritats i personatges de Speechify, els estils emocionals marquen la diferència entre una veu “que sona com” la referència i una veu que realment interpreta.
Serveix realment donar emoció per millorar la comprensió?
Sí, i això està demostrat més enllà de la IA. En un estudi del 2022 amb infants d’11 a 13 anys, i en una rèplica del 2025, els investigadors Dylman i Champoux-Larsson van veure que els oients responien millor a preguntes sobre el contingut si el material factual s’havia llegit amb prosòdia positiva en comparació amb un to neutre (Dylman et al., 2025). La millora en la comprensió era considerable i es mantenia tant a curt com a llarg termini. Per a materials educatius, tutorials de producte o qualsevol àudio de llarga durada en què importi la retenció, una veu emocionalment adequada realment ajuda a la comprensió.
Preguntes freqüents
Què és el text to speech amb emocions?
És veu sintètica que aporta un to emocional escollit (per exemple, alegre o trist) a la locució, de manera que la mateixa frase es pot expressar de moltes maneres. Amb Speechify pots triar l’emoció per selecció.
Quantes emocions suporta Speechify?
Tretze: Enfadat, Alegre, Trist, Espantat, Relaxat, Atemorit, Sorprès, Calmat, Afirmatiu, Enèrgic, Acollidor, Directe i Lluminós, disponibles tant al generador de veu amb IA com a l’API de Speechify.
On controlo l’emoció al generador de veu amb IA?
Dins de Speechify Studio, un cop introdueixes el guió, apareix un selector d’emoció al costat del selector de veu. Es pot aplicar a tot el clip o només a una selecció i tornar-lo a generar.
Com faig servir emocions a l’API de Speechify?
Envolta el text amb l’etiqueta SSML <speechify:style> i indica el nom de l’emoció com a atribut. L’API retorna l’àudio amb l’emoció aplicada només a aquell fragment.
Puc combinar emocions en una sola locució?
Sí. Les emocions s’apliquen per selecció a Speechify Studio i amb spans SSML a l’API, de manera que una locució pot canviar de to frase a frase sense canviar de veu.
Les veus emocionals sonen tan naturals com les neutres?
Pràcticament igual. Els models TTS emocionals revisats per experts ja puntuen prop de 3,94/5,0 en expressivitat i 3,98/5,0 en naturalitat: els oients els valoren gairebé idèntics en tots dos aspectes.
L’entonació emocional millora realment la retenció de continguts?
La investigació amb oradors humans diu que sí. Una prosòdia positiva millora la memorització factual en estudis controlats. Amb locucions amb IA ben dirigides, passa igual.
Puc utilitzar veus emocionals per a locucions comercials?
La llicència de Speechify permet l’ús comercial de les locucions generades, inclosos els estils emocionals. Revisa el teu pla per veure’n el límit de durada de sortida.
L’emoció funciona també amb veus clonades o de celebritats?
Sí. Els estils emocionals s’apliquen sobre la veu base a Speechify, de manera que una veu clonada pot adoptar les 13 emocions sense gravacions addicionals.
En què es diferencia d’ajustar només la velocitat o el to?
Les emocions modifiquen la prosòdia global: inclouen pauses, accentuació, corba d’entonació i energia. Per això, una veu “enfadada” no sona simplement més ràpida o més aguda que la neutra.
