Moderne TTS løste forståelighedsproblemet for flere år siden. Blizzard Challenge, en årlig benchmark, der har fulgt udviklingen i talesyntese siden 2005, rapporterede i 2021, at syntetisk tale var blevet umulig at skelne fra naturlig tale, når det gjaldt forståelighed – og næsten umulig at skelne fra den i naturlighed også (Perrotin et al., 2024). Feltet er derfor rykket videre. Det interessante spørgsmål er ikke længere kan du forstå stemmen, men lyder stemmen, som om den mener det, den siger. Speechify Studio løser dette med følelsesladet tekst til tale oven på almindelig tekst til tale. For udvikler-API'et afhænger svaret af modellen, og de nuværende modeller bruger ikke følelsesudtryk.
Følelsesudtryk er en funktion i Simba 1.6
I API'et kommer følelsesudtryk fra <speechify:style>-SSML-tagget, og kun Simba 1.6-modellerne, simba-english og simba-multilingual, bruger det. De tretten værdier er Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct og Bright. Simba 1.6 er ikke længere tilgængelig for nye arbejdsrum, og fra 21. november 2026 drives begge id'er af de nuværende modeller, som accepterer tagget uden at bruge det. Se Migration fra Simba 1.6.
Sådan bruger du følelser i Speechify AI Voice Generator
AI Voice Generator findes i Speechify Studio og bruges af content creators til speak, marketingvideoer, lydbøger og podcastafsnit. Du indsætter dit manuskript, vælger en stemme og kan derefter tilføje et følelsesudtryk til hele klippet eller en bestemt passage. Fordi følelser tilføjes til udvalgte sektioner, kan det samme speak både have et Cheerful hook, et Assertive value proposition og en Warm afslutning uden at skifte stemme.
Her er nogle eksempler på workflows, hvor det gør en reel forskel: Marketingvideoer lavet i fx CapCut kræver som regel to-tre forskellige toner, fx opmærksomhed, løfte og call to action. I stedet for tre speaks genererer du ét, hvor følelsen ændres linje for linje. Lydbøger og fiktion får endnu mere ud af det, fordi dialog mellem karakterer kan få forskellige følelsesmæssige udtryk uden at hyre flere oplæsere. Til forklaringer giver en Calm-stemme i de tætte afsnit bedre overblik, end hvis stemmen prøver at lyde 'engageret' hele vejen.
Dette understøtter Speechify API i dag
På de nuværende modeller, simba-3.2 og simba-3.0, accepterer Speechify API <speechify:style> og returnerer 200, men læser teksten uden stil. Det samme gælder <prosody pitch>, <prosody volume> og <emphasis>. Tre SSML-tags bruges: <break> til pauser, <prosody rate> til læsehastighed og <sub alias> til udtale. SSML-guiden viser, hvad hver model understøtter.
Eksempel: <speak>Din ordre er sendt. <break time="500ms" /> <prosody rate="slow">Læs <sub alias="Frequently Asked Questions">FAQ</sub> om leveringstider.</prosody></speak> giver en pause på et halvt sekund, hvorefter den anden sætning læses langsomt, og FAQ udtales som 'Frequently Asked Questions'.
På de nuværende modeller kommer leveringen fra teksten og stemmen. Tegnsætning og sætningsstruktur styrer vendingerne, så skriv hver linje, som du vil have den sagt, og tilføj et <break>, hvis du ønsker en længere pause, end tegnsætningen giver. Stemmen sætter grundkarakteren. Til e-læring kan det fx være en kort, neutral linje ved korrekt svar, <prosody rate="slow"> ved hint og <break> før forklaringen.
Speechify AI Voice Generator vs Speechify API: Hvad skal du vælge?
Her løfter følelsesstemmer faktisk dit output
Følelsesladet TTS er den manglende brik for kreativitet. En enkelt stemme i celebritystil læser hele lydbogen, en animeret karakter leverer både jokes og sorg, podcastintroer rammer den rette tone – intet af dette fungerede med flad syntese. Nu gør det, fordi følelsen ligger i stemmen, ikke i instruktionen. For dem, der allerede bruger Speechifys celebrity- og karakterstemmer, er følelsestilstand forskellen på en stemme, der lyder som referencen, og en stemme, der opfører sig som den.
Forbedrer følelsesladet speak faktisk forståelsen?
Ja, og det kan også måles uden for AI-verdenen. I et studie fra 2022 samt en gentagelse i 2025 fandt forskerne Dylman og Champoux-Larsson, at lyttere svarede rigtigt på flere indholdsspørgsmål, når materialet blev læst op med positiv følelsesladet prosodi frem for neutral tone (Dylman et al., 2025). Gevinsten var betydelig og holdt ved over både umiddelbar og forsinket genkaldelse. For uddannelsesmateriale, produktvejledninger og alle former for længere lyd, hvor indlæring er vigtig, hjælper en følelsesmæssigt passende stemme altså reelt på forståelsen.
FAQ
Hvad er tekst til tale med følelser?
Det er syntetisk tale med en valgt emotion, fx munter eller trist, ud over selve ordene, så den samme sætning kan leveres på flere måder. I Speechify Studios AI Voice Generator vælger du følelsen pr. sektion. Speechify API's nuværende modeller bruger ikke følelser.
Hvor mange følelser understøtter Speechify API?
På de nuværende modeller ingen: simba-3.2 og simba-3.0 accepterer <speechify:style>-tagget og læser teksten uden stil. De tretten værdier, fra Angry til Bright, bruges kun af de udgåede Simba 1.6-modeller. AI Voice Generator i Speechify Studio har sit eget følelsesvalg, som beskrevet ovenfor.
Hvor styrer jeg følelsen i AI Voice Generator?
I Speechify Studio kommer der, efter du har indsat manuskriptet, en følelsesvælger frem ved siden af stemmevalget. Brug den til hele klippet eller kun en markeret sektion, og rendér igen.
Kan jeg sætte en følelse i Speechify API?
Ikke på de nuværende modeller. simba-3.2 og simba-3.0 accepterer <speechify:style emotion="..."> og returnerer 200, men læser teksten uden stil. Formidlingen sker gennem teksten og den valgte stemme, og du kan bruge disse tags: <break>, <prosody rate> og <sub alias>. Se SSML-guiden.
Kan jeg kombinere følelser i ét speak?
I Speechify Studio gælder følelse pr. sektion, så speaket kan skifte tone linje for linje. På API'ets nuværende modeller bruges følelser ikke. Det eneste, du kan variere pr. sektion, er læsehastighed med <prosody rate> og pauser med <break>.
Lyder følelsesstemmer lige så naturlige som neutrale?
Næsten. Peer-reviewet følelses-TTS scorer nu omkring 3.94/5.0 på udtryksfuldhed og 3.98/5.0 på naturlighed, så lyttere vurderer dem næsten ens på begge parametre.
Giver følelsesladet speak faktisk bedre indlæring?
Forskning i menneskelig tale peger på ja. Positiv prosodi forbedrede genkaldelsen af fakta i kontrollerede studier. Det samme gælder gode AI-speaks.
Kan jeg bruge følelsesstemmer til kommercielle speaks?
Speechify-licensen dækker kommerciel brug af genererede speaks, inkl. følelsesudtryk. Se din plan for outputgrænser.
Hvordan adskiller det sig fra bare hastighed eller tonehøjde?
På Simba 1.6 ændrer følelsesstil hele prosodien – pauser, tryk, intonation og energi, så 'angry' ikke bare lyder som en hurtigere og lysere neutral stemme. På de nuværende modeller kan kun hastigheden justeres: <prosody rate> virker, mens <prosody pitch> og følelsesstil accepteres, men ikke bruges.
