Fa anys que la TTS moderna va resoldre la intel·ligibilitat. El Blizzard Challenge, una prova anual que avalua l'evolució de la síntesi de veu des del 2005, va indicar que l’any 2021 la veu sintètica ja era indistingible de la veu natural pel que fa a la comprensió, i pràcticament indistingible també en naturalitat (Perrotin et al., 2024). Així doncs, el sector va avançar. La qüestió interessant va deixar de ser si s’entenia la veu per passar a ser si la veu transmet realment el que vol dir. Speechify Studio ho resol amb la síntesi de veu emocional, a més de la síntesi de veu estàndard. A l’API per a desenvolupadors, la resposta varia segons el model, i els models actuals no apliquen estils emocionals.
Els estils emocionals són una funció de Simba 1.6
A l’API, els estils emocionals venen de l’etiqueta SSML <speechify:style>, i només els models Simba 1.6, simba-english i simba-multilingual la poden aplicar. Té tretze valors: Enfadat, Alegre, Trist, Espantat, Relaxat, Poruc, Sorprès, Calmat, Assertiu, Enèrgic, Càlid, Directe i Lluminós. Simba 1.6 està retirat per a nous espais de treball, i a partir del 21 de novembre de 2026 tots dos identificadors seran servits pels models actuals, que accepten l’etiqueta però no l’apliquen. Consulta Migrar des de Simba 1.6.
Com utilitzar emocions al generador de veus IA de Speechify
El generador de veus d’IA està integrat a Speechify Studio i és l’eina que fan servir els creadors per a locucions, vídeos de màrqueting, audiollibres i segments de podcast. Es tria una veu, s'hi enganxa el guió i després s’aplica un estil emocional a tot el fragment o a una selecció concreta. Com que les emocions s’apliquen per selecció, una mateixa locució pot començar Alegre, presentar una proposta de valor Assertiva i acabar amb una sortida Càlida sense canviar de veu.
Alguns fluxos de treball concrets on això importa: els vídeos de màrqueting fets amb eines com CapCut solen requerir dos o tres tons diferents, com ara captar l’atenció, una promesa i una crida a l’acció. En lloc de fer tres gravacions separades, se’n genera una de sola amb l’emoció variant línia a línia. Els audiollibres i les narracions de ficció se’n beneficien encara més, ja que els diàlegs entre personatges poden tenir una càrrega emocional diferent sense haver de contractar diversos narradors. Per a vídeos explicatius, una veu Calm llegint una secció densa sol ser més clara que no pas intentar fer tota l’explicació “amena”.
Què aplica avui l'API de Speechify
Als models actuals, simba-3.2 i simba-3.0, l’API de Speechify accepta <speechify:style> i retorna 200, però pronuncia el text sense aplicar-lo. El mateix passa amb <prosody pitch>, <prosody volume> i <emphasis>. Hi ha tres etiquetes SSML que sí que funcionen: <break> per fer pauses, <prosody rate> per a la velocitat de parla i <sub alias> per a pronunciacions alternatives. La guia SSML mostra què aplica cada model.
Per exemple, <speak>La teva comanda s'ha enviat. <break time="500ms" /> <prosody rate="slow">Llegeix les <sub alias="Preguntes Freqüents">FAQ</sub> per als terminis de lliurament.</prosody></speak> fa una pausa de mig segon, després llegeix lentament la segona frase i pronuncia “Preguntes Freqüents” en lloc de FAQ.
La interpretació en els models actuals la determinen el text i la veu. La puntuació i l’estructura delimiten el fraseig, així que escriu cada línia tal com vols que soni i utilitza <break> si vols pauses més llargues. La veu triada defineix el caràcter base. Per a feedback d’e-learning, això pot ser una línia senzilla quan la resposta és correcta, <prosody rate="slow"> per a una pista i <break> abans de l’explicació.
Speechify AI Voice Generator o API de Speechify: quina opció triar
On les veus emocionals canvien de debò allò que pots crear
La TTS emocional és la peça clau que faltava per a tot contingut creatiu. Una sola veu tipus celebritat per a un audiollibre sencer, un personatge animat que fa entendre tant la broma com la tristesa, la introducció d’un podcast que encaixa a la perfecció: res d’això funcionava amb una síntesi plana. Ara sí, perquè l’emoció és dins la veu, no dins les instruccions del guió. Per als creadors que ja fan servir les veus de celebritats i personatges de Speechify, els estils emocionals marquen la diferència entre una veu semblant a la referència i una veu que realment interpreta.
La interpretació emocional millora realment la comprensió?
Sí, i això també es pot demostrar fora de l’entorn de la IA. En un estudi del 2022 amb joves d’11 a 13 anys i una rèplica el 2025, els investigadors Dylman i Champoux-Larsson van trobar que els oients responien millor a preguntes de comprensió quan el mateix material objectiu es llegia amb prosòdia positiva que no pas amb un to neutre (Dylman et al., 2025). El guany de comprensió era significatiu i es mantenia tant en el record immediat com en el diferit. Per a continguts educatius, tutorials de producte o qualsevol àudio extens on la retenció és important, una veu emocionalment adequada ajuda realment a comprendre millor.
Preguntes freqüents
Què és la síntesi de veu amb emocions?
És veu sintètica que incorpora un to emocional escollit, com alegre o trist, de manera que la mateixa frase es pot pronunciar de diferents maneres. 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?
Als models actuals, cap: simba-3.2 i simba-3.0 accepten l’etiqueta <speechify:style> i pronuncien el text sense aplicar l’estil. Els seus tretze valors, d’Enfadat a Lluminós, només s’apliquen als models Simba 1.6 retirats. El generador de veu IA de Speechify Studio té el seu propi selector d’emocions, com s’ha descrit més amunt.
On puc controlar l’emoció al generador de veu IA?
Dins de Speechify Studio, un cop has introduït el guió, apareix un selector d’emocions al costat del selector de veu. Pots aplicar-lo a tot el fragment o només a una selecció i tornar a generar l’àudio.
Puc posar una emoció a l’API de Speechify?
No als models actuals. simba-3.2 i simba-3.0 accepten <speechify:style emotion="..."> i retornen 200, però llegeixen el text sense aplicar l’estil. Modela la locució mitjançant el text i la veu triada, i fes servir les etiquetes compatibles: <break>, <prosody rate> i <sub alias>. Consulta la guia SSML.
Puc combinar emocions en una mateixa locució?
A Speechify Studio, les emocions s’apliquen per selecció, de manera que una mateixa locució pot canviar el to línia a línia. A l’API, els models actuals no apliquen estils emocionals. El que pots variar per fragment és la velocitat de parla amb <prosody rate> i les pauses amb <break>.
Les veus emocionals sonen tan naturals com les neutres?
Gairebé igual. Els models TTS emocionals validats per revisió d’experts assoleixen prop de 3,94/5,0 en expressivitat i 3,98/5,0 en naturalitat, cosa que vol dir que els oients els valoren pràcticament igual en totes dues dimensions.
La interpretació emocional ajuda realment a retenir el contingut?
La recerca amb oradors humans confirma que sí. Una prosòdia positiva millora el record dels continguts en estudis controlats. El mateix passa en locucions d’IA ben dirigides.
Puc utilitzar veus emocionals per a locucions comercials?
La llicència de Speechify cobreix l’ús comercial de les locucions generades, inclosos els estils emocionals. Comprova el teu pla per veure’n les limitacions de durada.
En què es diferencia això de canviar només la velocitat o el to?
A Simba 1.6, els estils emocionals modifiquen tota la prosòdia: pauses, èmfasi, entonació i energia. Per això una versió “enfadada” no sona com una de neutra accelerada i més aguda. Als models actuals, només pots variar la velocitat: <prosody rate> s’aplica, mentre que <prosody pitch> i els estils emocionals s’accepten però no s’apliquen.
