Moderní TTS systémy vyřešily srozumitelnost už před lety. Blizzard Challenge, každoroční benchmark sledující pokrok v syntéze řeči od roku 2005, uvedl, že v roce 2021 byla syntetická řeč z hlediska srozumitelnosti nerozeznatelná od přirozené a v přirozenosti prakticky také (Perrotin et al., 2024). Obor se proto posunul dál. Otázka už nezní je hlasu rozumět, ale zní hlas tak, jako by skutečně myslel to, co říká. Speechify Studio tuto potřebu řeší pomocí emocionálního text-to-speech, tedy nad rámec běžného převodu textu na řeč. U lokálního API ale záleží na použitém modelu – současné modely emoční styly nepodporují.
Emoční styly byly funkcí Simba 1.6
V API zajišťoval emoční styly SSML tag <speechify:style>, který ale podporovaly pouze modely Simba 1.6 – simba-english a simba-multilingual. K dispozici bylo třináct hodnot: Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct a Bright. Simba 1.6 je však pro nové workspace ukončená a od 21. listopadu 2026 budou její ID obsluhována současnými modely, které tag přijmou, ale jeho efekt neuplatní. Podrobnosti najdete v části Migrace ze Simba 1.6.
Použití emocí v AI Voice Generatoru Speechify
AI Voice Generator je součástí Speechify Studio a slouží tvůrcům pro dabing, marketingová videa, audioknihy i podcastové pasáže. Stačí vložit scénář, vybrat hlas a nastavit emoční styl pro celý klip nebo jeho část. Díky emocím nastavitelným po jednotlivých úsecích může mít jeden hlasový výstup například úvod Cheerful, představení hodnoty Assertive a závěr Warm, bez nutnosti měnit hlas.
Příklady, kde to výrazně pomáhá: marketingová videa vytvářená v nástrojích jako CapCut často vyžadují dva až tři odlišné tónové polohy – upoutání pozornosti, příslib a výzvu k akci. Místo tří hlasových nahrávek tak stačí jedna s měnícími se emocemi v jednotlivých řádcích. U audioknih nebo beletrie to umožňuje vést dialogy s různou emocionální váhou bez změny mluvčího. U výukových videí je navíc přehlednější, když hutnou střední pasáž čte jeden Calm hlas, než když se text násilně snaží být „zajímavý“.
Co Speechify API aktuálně podporuje
V současných modelech simba-3.2 a simba-3.0 přijímá Speechify API tag <speechify:style> a vrací 200, ale text uvnitř tohoto tagu přečte bez použití stylu. Totéž platí pro <prosody pitch>, <prosody volume> a <emphasis>. Použijí se jen tři SSML tagy: <break> pro pauzy, <prosody rate> pro rychlost řeči a <sub alias> pro výslovnost. Kompletní podporu tagů najdete v SSML příručce.
Příklad: <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> vloží půlsekundovou pauzu, druhou větu přečte pomalu a „FAQ“ místo zkratky vysloví plným názvem.
Projev současných modelů se řídí textem a výběrem hlasu. Interpunkce a stavba vět určují frázování – napište každý řádek tak, jak má znít, a pokud potřebujete delší pauzu, než jakou vytvoří interpunkce, vložte <break>. Výběrem hlasu pak volíte základní charakter zvuku. Například u zpětné vazby v e-learningu: krátká jednoduchá věta pro správnou odpověď, <prosody rate="slow"> pro nápovědu a <break> před vysvětlením.
Speechify AI Voice Generator vs Speechify API: Jak vybrat
Kdy emoce skutečně mění výsledky tvorby
Emocionální TTS je klíčová pro kreativní projekty. Jeden hlas ve stylu celebrity přečte celou audioknihu, animovaná postava zvládne humor i smutek a podcast navodí správný tón – to vše je s plochou syntézou nedosažitelné. Dnes emoce přímo ovlivňují výsledek, nejde jen o režijní poznámku. Pro tvůrce, kteří už využívají celebrity a charakterové hlasy Speechify, představují emoční styly rozdíl mezi hlasem, který jen zní jako originál, a hlasem, který se jako originál i projevuje.
Zlepšuje emocionální projev skutečně porozumění?
Ano, a je to měřitelné i mimo svět AI. Studie z roku 2022 u dětí ve věku 11–13 let, potvrzená v roce 2025, ukázala (Dylman a Champoux-Larsson), že posluchači odpověděli správně na více otázek, když byly stejné informace přečteny s pozitivní emocí namísto neutrálního tónu (Dylman et al., 2025). Efekt byl výrazný jak u okamžitého, tak u opožděného vybavení. Pro vzdělávací obsah, návody a delší audio je proto emocionálně vhodný hlas skutečnou výhodou pro porozumění.
FAQ
Co je text-to-speech s emocemi?
Jde o syntetizovanou řeč, která přidává zvolenou emoci – například veselý nebo smutný tón – nad rámec samotných slov, takže stejnou větu lze podat různými způsoby. V AI Voice Generatoru ve Speechify Studio vybíráte emoci pro konkrétní úsek. Současné modely Speechify API emoční styly nepodporují.
Kolik emocí podporuje Speechify API?
Současné modely žádné: simba-3.2 a simba-3.0 akceptují tag <speechify:style>, ale text přečtou bez stylu. Všech třináct emocí od Angry po Bright fungovalo jen v ukončené verzi Simba 1.6. AI Voice Generator ve Speechify Studio má vlastní volbu emocí, viz výše.
Kde mohu nastavit emoci v AI Voice Generatoru?
Přímo ve Speechify Studio – po zadání scénáře se vedle výběru hlasu zobrazí možnost volby emoce. Můžete ji použít na celý klip nebo jen na označenou část a následně vygenerovat výstup.
Když nastavím emoci v Speechify API, jak to funguje?
Na současných modelech nijak. simba-3.2 a simba-3.0 přijímají <speechify:style emotion="..."> a vrací 200, ale text čtou bez tohoto stylu. Projev můžete ovlivnit textem a výběrem hlasu, přičemž podporované tagy jsou <break>, <prosody rate> a <sub alias>. Viz SSML příručka.
Lze spojit různé emoce v jednom hlasovém výstupu?
Ve Speechify Studio lze nastavit emoce po jednotlivých úsecích, takže je můžete měnit řádek po řádku. V současném API se emoční styly nepoužívají. Na úrovni úseků lze měnit jen rychlost řeči (<prosody rate>) a pauzy (<break>).
Zní emocionální hlasy stejně přirozeně jako neutrální?
Téměř ano. Odborně recenzované modely emocionálního TTS dosahují skóre kolem 3,94/5,0 v expresivitě a 3,98/5,0 v přirozenosti – tedy téměř stejně jako neutrální hlasy.
Pomáhá emocionální projev lepšímu zapamatování obsahu?
Výzkum s lidskými mluvčími jasně ukazuje, že ano. Pozitivní prosodie ve studiích zlepšila vybavení faktických informací. Totéž platí i pro dobře nastavené AI voiceovery.
Mohu komerčně využívat emocionální hlasy?
Licencování Speechify umožňuje komerční využití generovaného dabingu včetně emocí. Ověřte si limity délky podle svého tarifu.
Jak se to liší od pouhého nastavení rychlosti nebo výšky hlasu?
U Simba 1.6 měnily emoční styly celý průběh řeči – včetně pauz, důrazů, intonace i energie, takže „angry“ neznělo jen rychleji a výš než neutrální styl. U současných modelů lze měnit pouze rychlost (<prosody rate> se použije, <prosody pitch> i emoce jsou akceptovány, ale neaplikují se).
