Moderne TTS løste forståelighed for flere år siden. Blizzard Challenge, en årlig benchmark for talesyntese siden 2005, rapporterede, at syntetisk tale i 2021 var blevet lige så forståelig som naturlig tale og næsten lige så naturlig at lytte til (Perrotin et al., 2024). Derfor har feltet flyttet fokus. Spørgsmålet er ikke længere kan du forstå stemmen, men lyder det, som om stemmen mener det, den siger. Speechify Studio løser dette med emotionel text to speech ud over almindelig text to speech. For udvikler-API’et afhænger svaret af modellen, og de nuværende modeller bruger ikke følelsesstile.
Følelsesstile er en funktion i Simba 1.6
I API’et kommer følelsesstile fra SSML-tagget <speechify:style>, og kun Simba 1.6-modellerne, simba-english og simba-multilingual, bruger dem. De tretten værdier er Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct og Bright. Simba 1.6 er udfaset for nye workspaces, og fra 21. november 2026 bliver begge ID’er serviceret af de nuværende modeller, som accepterer tagget uden at bruge det. Se Migrering fra Simba 1.6.
Sådan bruger du følelser i Speechify AI Voice Generator
AI Voice Generator findes i Speechify Studio og bruges til speak, marketingvideoer, lydbøger og podcastsegmenter. Du indsætter dit manuskript, vælger en stemme og tildeler derefter en følelsesstil til hele klippet eller en bestemt passage. Fordi følelser tildeles pr. markering, kan samme speak have et Cheerful hook, en Assertive midterdel og en Warm afslutning – uden stemmeskift.
Her er nogle praktiske arbejdsgange, hvor det gør en forskel: Marketingvideoer skabt i fx CapCut kræver ofte flere tonale skift, fx opmærksomhed, løfte og call-to-action. I stedet for tre speakoptagelser laver du ét speak, hvor følelserne skifter linje for linje. Lydbøger og fiktionsfortælling får endnu mere ud af det, fordi dialoger kan få forskellig emotionel vægt uden at hyre flere oplæsere. Til explainers gør én Calm stemme de tunge afsnit tydeligere, end hvis den samme stemme prøver at være “engagerende” hele vejen.
Hvad Speechify API understøtter i dag
I de nuværende modeller, simba-3.2 og simba-3.0, accepterer Speechify API <speechify:style> og returnerer 200, men læser teksten op uden stil. Det samme gælder for <prosody pitch>, <prosody volume> og <emphasis>. Tre SSML-tags virker: <break> til pauser, <prosody rate> til læsehastighed og <sub alias> til udtale. SSML-guiden viser, hvad hver model understøtter.
For eksempel holder <speak>Din ordre er sendt. <break time="500ms" /> <prosody rate="slow">Læs <sub alias="Ofte stillede spørgsmål">FAQ</sub> for leveringstider.</prosody></speak> en pause på et halvt sekund, læser derefter næste sætning langsomt og siger “Ofte stillede spørgsmål” i stedet for FAQ.
Oplæsningen i de nuværende modeller styres af tekst og stemme. Tegnsætning og sætningsstruktur styrer fraseringen, så skriv hver linje, som du vil have den oplæst, og tilføj <break>, hvis du har brug for en længere pause, end tegnsætningen giver. Stemmen du vælger, lægger grundtonen. Til e-læringsfeedback kan det betyde en kort, neutral linje for korrekt svar, <prosody rate="slow"> for hint og <break> før forklaringen.
Speechify AI Voice Generator vs. Speechify API: Hvad skal du vælge?
Hvor følelsesstemmer reelt gør en forskel
Emotionel TTS er det manglende led i kreative opgaver. Én kendis-lignende stemme til hele lydbogen, en animeret figur der både leverer vittigheder og sorg, en podcast-intro i den rette tone – ingen af delene fungerede med flad syntese. Nu gør det, fordi følelsen ligger i stemmen, ikke i manuskriptet. For creators, der allerede bruger Speechifys kendis- eller karakterstemmer, er følelsesstilene forskellen på en stemme, der lyder som forlægget, og en stemme, der opfører sig som det.
Forbedrer emotionel levering faktisk forståelsen?
Ja, og effekten kan også måles hos mennesker. I et studie fra 2022 med 11-13-årige og en gentagelse i 2025 viste Dylman og Champoux-Larsson, at lytterne besvarede flere indholdsspørgsmål korrekt, når fakta blev læst op med positiv emotionel prosodi frem for neutral tone (Dylman et al., 2025). Gevinsten var tydelig og gjaldt både med det samme og ved forsinket genkaldelse. Til undervisningsindhold, produktvejledninger og alt længere lydindhold, hvor fastholdelse tæller, hjælper emotionel stemme altså reelt forståelsen.
FAQ
Hvad er text to speech med følelser?
Det er syntetisk tale, der bærer en valgt emotionel tone – fx glad eller trist – ud over ordene, så den samme sætning kan leveres på flere måder. I Speechify Studio’s AI Voice Generator vælger du følelsen pr. markering. Speechify API’s nuværende modeller bruger ikke følelsesstil.
Hvor mange følelser understøtter Speechify API?
I de nuværende modeller ingen: simba-3.2 og simba-3.0 accepterer <speechify:style> og læser teksten op uden stil. De tretten værdier, fra Angry til Bright, understøttes kun af de udfasede Simba 1.6-modeller. AI Voice Generator i Speechify Studio har sin egen følelsesvælger, beskrevet ovenfor.
Hvor styrer jeg følelser i AI Voice Generator?
I Speechify Studio. Når du har indtastet manuskriptet, vises en følelsesvælger ved siden af stemmevælgeren. Tildel den til hele klippet eller en markeret del, og generér lyden igen.
Kan jeg sætte en følelse i Speechify API?
Nej, ikke i de nuværende modeller. simba-3.2 og simba-3.0 accepterer <speechify:style emotion="..."> og returnerer 200, men læser teksten op uden stil. Form leveringen via tekst og valgt stemme, og brug de tags, der virker: <break>, <prosody rate> og <sub alias>. Se SSML-guiden.
Kan jeg kombinere følelser i én voiceover?
I Speechify Studio kan du tildele følelser pr. markering, så ét speak kan skifte tone linje for linje. I API’ets nuværende modeller gælder følelsesstil ikke. Her kan du variere læsehastigheden med <prosody rate> og pauser med <break>.
Lyder emotionelle stemmer lige så naturlige som neutrale?
Meget tæt på. Peer-reviewede emotionelle TTS-modeller scorer nu ca. 3,94/5,0 for udtryksfuldhed og 3,98/5,0 for naturlighed, altså næsten lige så højt som neutrale.
Hjælper emotionel levering faktisk med at fastholde indholdet?
Forskning i menneskelig tale peger på ja. Positiv prosodi øgede genkaldelsen af faktuelt indhold i kontrollerede forsøg. Det samme gælder for gode AI-speakoptagelser.
Må jeg bruge emotionelle stemmer til kommercielle speak?
Speechify-licensen dækker kommerciel brug af genererede speaks, inklusive følelsesstile. Tjek dit abonnement for længdegrænser.
Hvordan adskiller dette sig fra bare at justere tempo eller tonehøjde?
I Simba 1.6 ændrer følelsesstile prosodien samlet set – inklusive pauser, tryk, intonation og energi. Derfor lyder en “angry”-version ikke bare som en hurtigere, lysere neutral stemme. I de nuværende modeller kan du kun justere tempoet: <prosody rate> virker, mens <prosody pitch> og emotionelle stile blot accepteres uden effekt.
