Els sistemes moderns de TTS fa anys que van resoldre la intel·ligibilitat. El Blizzard Challenge, un referent anual que segueix el progrés de la síntesi de veu des de 2005, va informar que el 2021 la veu sintètica ja era indistinguible de la veu humana pel que fa a la intel·ligibilitat, i gairebé tan natural pel que fa a la naturalitat (Perrotin et al., 2024). La pregunta interessant ja no era es pot entendre la veu, sinó transmet realment el que diu. Speechify Studio ho resol amb veus emocionals, més enllà de la conversió simple de text a veu. A l’API per a desenvolupadors, la resposta depèn del model, i els actuals no apliquen estils emocionals.
Els estils emocionals són una funció de Simba 1.6
A l’API, els estils emocionals provenen de l’etiqueta SSML <speechify:style>, i només els models Simba 1.6, simba-english i simba-multilingual, l’apliquen. Els seus tretze valors són: Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct i Bright. Simba 1.6 ja no està disponible per a espais de treball nous i, a partir del 21 de novembre de 2026, els seus dos identificadors passaran a servir-se amb els models actuals, que accepten l’etiqueta però no l’apliquen. Consulta “Migrar des de Simba 1.6”.
Ús d’emocions al generador de veu IA de Speechify
El Generador de Veu IA està integrat a Speechify Studio i és l’eina ideal per a locucions, vídeos de màrqueting, audiollibres i fragments de podcast. Només cal enganxar-hi el guió, triar una veu i aplicar l’estil emocional a tot el fragment o a una selecció concreta. Com que les emocions s’apliquen per selecció, una mateixa gravació pot tenir un inici alegre, una proposta assertiva i un comiat càlid sense canviar de veu.
Alguns casos concrets en què això és rellevant: els vídeos de màrqueting generats amb eines com CapCut solen requerir dos o tres tons, com ara captar l’atenció, prometre i tancar amb una crida a l’acció. En lloc de fer tres gravacions, generes una sola veu canviant l’emoció a cada línia. Els audiollibres o les narracions de ficció encara se’n beneficien més, ja que el diàleg pot tenir matisos emocionals diferents sense recórrer a actors diferents. Per a vídeos explicatius, una sola veu serena llegint una secció densa s’entén millor que no pas intentar sonar “dinàmica” tota l’estona.
Què pot fer l’API de Speechify avui
Amb els models actuals, simba-3.2 i simba-3.0, l’API de Speechify accepta <speechify:style> i retorna 200, però llegeix el text sense aplicar l’estil. El mateix passa amb <prosody pitch>, <prosody volume> i <emphasis>. Només tres etiquetes SSML s’apliquen: <break> per a les pauses, <prosody rate> per a la velocitat de lectura i <sub alias> per a la pronunciació. Consulta la guia SSML per veure què admet cada model.
Per exemple, <speak>Your order has shipped. <break time="500ms" /> <prosody rate="slow">Read the <sub alias="Frequently Asked Questions">FAQ</sub> for delivery times.</prosody></speak> afegeix una pausa de mig segon, després llegeix la segona frase a poc a poc i diu “Frequently Asked Questions” en lloc de FAQ.
L’entonació amb els models actuals depèn del text i de la veu escollida. La puntuació i la construcció de la frase determinen la manera de llegir, així que escriu cada línia tal com la vols i afegeix un <break> si vols una pausa més llarga que la que marca la puntuació. La veu escollida defineix el caràcter de base. Per donar feedback en formació en línia, pots fer servir una línia breu per a la resposta correcta, <prosody rate="slow"> per a una pista i un <break> abans de l’explicació.
Generador de veu IA de Speechify vs. API de Speechify: quin triar?
On les veus emocionals realment canvien el que pots crear
El TTS emocional és una peça clau per a projectes creatius. Una sola veu d’estil de celebritat llegint tot un audiollibre, un personatge animat fent broma o mostrant tristesa, una intro de podcast amb el to encertat: res d’això no era possible amb una síntesi plana. Ara sí, perquè l’emoció és dins la veu, no només al guió. Per als qui ja fan servir les veus de celebrities i personatges de Speechify, l’estil emocional marca la diferència entre una veu que sona com la referència i una veu que actua com ella.
L’entonació emocional realment millora la comprensió?
Sí, i també es pot mesurar fora de la IA. En un estudi de 2022 amb joves d’11 a 13 anys i una rèplica el 2025, els investigadors Dylman i Champoux-Larsson van constatar que els oients responien correctament més preguntes quan el mateix contingut s’exposava amb prosòdia positiva que no pas amb un to neutre (Dylman et al., 2025). La millora en la comprensió va ser significativa, tant a curt com a llarg termini. Per a educació, tutorials de producte o qualsevol àudio llarg on la retenció sigui important, una veu emocionalment adequada ajuda realment a comprendre millor.
Preguntes freqüents
En què consisteix el text a veu amb emocions?
És veu sintètica amb una entonació emocional escollida, per exemple alegre o trista, de manera que una mateixa frase es pot dir de formes diferents. Al Generador de Veu IA de Speechify Studio pots triar l’emoció per selecció. Els models actuals de l’API de Speechify no apliquen estils emocionals.
Quantes emocions admet l’API de Speechify?
Actualment, cap: simba-3.2 i simba-3.0 accepten l’etiqueta <speechify:style>, però llegeixen el text sense estils. Els tretze valors, d’Angry a Bright, només s’aplicaven amb Simba 1.6, que ja s’ha retirat. El Generador de Veu IA de Speechify Studio té el seu propi selector d’emoció, com s’explica més amunt.
On puc controlar l’emoció al Generador de Veu IA?
A Speechify Studio, després d’introduir-hi el guió, apareix un selector d’emoció al costat de l’opció de veu. Aplica’l a tot el fragment o a una selecció destacada, i torna a generar.
Puc establir una emoció a l’API de Speechify?
No amb els models actuals. simba-3.2 i simba-3.0 accepten <speechify:style emotion="..."> i retornen 200, però llegeixen el text sense estil. Modula la locució amb el text i la veu escollida, i fes servir només les etiquetes compatibles: <break>, <prosody rate> i <sub alias>. Consulta la guia SSML.
Puc combinar emocions en una sola locució?
A Speechify Studio, les emocions s’apliquen per selecció, així que pots variar el to d’una locució línia a línia. A l’API, amb els models actuals, els estils emocionals no s’apliquen. El que sí que pots variar per fragment és el ritme (<prosody rate>) i les pauses (<break>).
Les veus emocionals sonen tan naturals com les neutres?
Quasi igual. Els models TTS emocionals avaluats arriben ja a 3,94/5,0 en expressivitat i 3,98/5,0 en naturalitat, de manera que reben puntuacions gairebé idèntiques en tots dos aspectes.
L’entonació emocional ajuda realment els oients a retenir el contingut?
La recerca amb parlants humans indica que sí. Una prosòdia positiva millora la retenció de contingut factual en estudis controlats. El mateix passa amb veus d’IA ben dirigides.
Puc fer servir veus emocionals per a locucions comercials?
La llicència de Speechify cobreix l’ús comercial de les locucions generades, inclosos els estils emocionals. Consulta el teu pla per saber quins límits hi ha quant a la durada de l’àudio generat.
En què es diferencia d’ajustar només la velocitat o el to?
A Simba 1.6, els estils emocionals modifiquen tota la prosòdia (pauses, èmfasi, entonació i energia); per això l’estil "angry" no sona com una versió simplement més ràpida i aguda de la veu neutra. Amb els models actuals, només es pot ajustar la velocitat: <prosody rate> s’aplica, mentre que <prosody pitch> i els estils emocionals s’accepten però no s’apliquen.
