Moderne TTS-Lösungen haben die Verständlichkeit schon vor Jahren perfektioniert. Die Blizzard Challenge, ein jährlicher Benchmark für Sprachsynthese seit 2005, berichtete 2021, dass synthetische Sprache in der Verständlichkeit nicht mehr von natürlicher Sprache zu unterscheiden ist und auch bei der Natürlichkeit praktisch gleichauf liegt (Perrotin et al., 2024). Das Fachgebiet hat sich deshalb weiterentwickelt. Die spannende Frage lautet nicht mehr Kann man die Stimme verstehen?, sondern klingt die Stimme so, als meine sie wirklich, was sie sagt? Speechify Studio beantwortet das mit emotionalem Text-to-Speech zusätzlich zum klassischen Text-to-Speech. Bei der Entwickler-API hängt die Antwort vom Modell ab – die aktuellen Modelle unterstützen keine Emotionsstile.
Emotionsstile sind eine Funktion von Simba 1.6
In der API werden Emotionsstile über das SSML-Tag <speechify:style> gesteuert und nur von den Simba-1.6-Modellen simba-english und simba-multilingual angewendet. Es gibt 13 Werte: Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct und Bright. Simba 1.6 wird für neue Workspaces nicht mehr bereitgestellt, und ab dem 21. November 2026 verwenden beide IDs das aktuelle Modell, das den Tag zwar akzeptiert, aber nicht anwendet. Siehe Migration von Simba 1.6.
Emotionen im Speechify KI-Stimmengenerator nutzen
Der KI-Stimmengenerator ist in Speechify Studio integriert und eignet sich für Sprecheraufnahmen, Marketingvideos, Hörbücher und Podcast-Segmente. Sie fügen Ihr Skript ein, wählen eine Stimme aus und können anschließend einen Emotionsstil auf den gesamten Clip oder einen bestimmten Abschnitt anwenden. Da sich Emotionen pro Auswahl zuweisen lassen, kann ein Sprecherclip einen Cheerful-Einstieg, ein Assertive-Wertversprechen und einen Warm-Abschluss enthalten, ohne dass Sie die Stimme wechseln müssen.
Einige praktische Workflows, in denen das besonders hilfreich ist: Marketingvideos, die z. B. in CapCut produziert werden, brauchen meist mehrere Tonlagen – etwa Aufmerksamkeit, Versprechen und Handlungsaufforderung. Statt drei separater Takes entsteht so ein Voiceover, bei dem sich die Emotion zeilenweise anpassen lässt. Noch stärker profitieren Hörbücher und fiktionale Erzählungen, weil Dialoge zwischen Figuren nun emotional unterschiedlich gestaltet werden können, ohne mehrere Sprecher zu engagieren. Auch bei Erklärvideos lässt sich ein dichter Mittelteil mit ruhiger Stimme besser wiedergeben, statt durchgehend „engagiert“ zu klingen.
Was die Speechify-API heute unterstützt
In den aktuellen Modellen simba-3.2 und simba-3.0 akzeptiert die Speechify-API das <speechify:style>-Tag, gibt 200 zurück, spricht den Text aber ohne Stil. Das Gleiche gilt für <prosody pitch>, <prosody volume> und <emphasis>. Drei SSML-Tags werden umgesetzt: <break> für Pausen, <prosody rate> für die Sprechgeschwindigkeit und <sub alias> für die Aussprache. Die SSML-Anleitung listet alle unterstützten Funktionen auf.
Zum Beispiel: <speak>Ihre Bestellung wurde versendet. <break time="500ms" /> <prosody rate="slow">Lesen Sie die <sub alias="Häufig gestellte Fragen">FAQ</sub> zu Lieferzeiten.</prosody></speak> – pausiert eine halbe Sekunde, liest dann den zweiten Satz langsam und sagt "Häufig gestellte Fragen" statt FAQ.
Die Ausgabe der aktuellen Modelle hängt vom Text und von der Stimme ab. Zeichensetzung und Satzbau bestimmen das Sprechergebnis – schreiben Sie jede Zeile so, wie Sie sie hören möchten, und fügen Sie ein <break> ein, wenn Sie eine längere Pause wünschen. Die gewählte Stimme gibt den Grundcharakter vor. Für E-Learning-Feedback bedeutet das z. B. eine kurze, neutrale Zeile bei richtiger Antwort, <prosody rate="slow"> für einen Hinweis und ein <break> vor der Erläuterung.
Speechify KI-Stimmengenerator vs. Speechify API: Was passt besser?
Wo emotionale Stimmen neue Möglichkeiten schaffen
Emotionales TTS ist das fehlende Element für kreative Projekte. Eine einzige Promi-Stimme für ein ganzes Hörbuch, eine animierte Figur, die Witz und Trauer vermitteln kann, oder ein Podcast-Intro mit passender Betonung – all das war mit monotoner Synthese nicht möglich. Mit Emotion in der Stimme statt nur im Regiehinweis funktioniert es. Für Creator, die bereits mit Promi- oder Charakterstimmen von Speechify arbeiten, machen Emotionsstile den entscheidenden Unterschied: Die Stimme klingt nicht nur wie das Vorbild, sie wirkt auch so.
Verbessert emotionale Wiedergabe tatsächlich das Verständnis?
Ja, das lässt sich auch außerhalb der KI-Welt messen. In einer Studie mit 11- bis 13-Jährigen (2022) und einer Replikation 2025 zeigten Dylman und Champoux-Larsson, dass Zuhörer mehr inhaltliche Fragen richtig beantworteten, wenn Sachtexte mit positiver emotionaler Prosodie statt neutral vorgelesen wurden (Dylman et al., 2025). Der Zuwachs beim Verständnis war deutlich und zeigte sich sowohl beim Sofort- als auch beim Spätabruf. Für Lerninhalte, Tutorials oder lange Audioformate mit hoher Relevanz fürs Behalten ist eine emotional passende Stimme daher ein echtes Verständnishilfsmittel.
FAQ
Was ist Text-to-Speech mit Emotionen?
Das ist synthetische Sprache mit einer gewählten emotionalen Färbung wie „cheerful“ oder „sad“, sodass derselbe Satz unterschiedlich gesprochen werden kann. Im KI-Stimmengenerator von Speechify Studio wählen Sie die Emotion pro Auswahl. Die aktuellen Speechify-API-Modelle unterstützen keine Emotionsstile.
Wie viele Emotionen unterstützt die Speechify-API?
Aktuell keine: simba-3.2 und simba-3.0 akzeptieren das <speechify:style>-Tag, sprechen aber ohne Stil. Die 13 Werte von Angry bis Bright werden nur von den ausgemusterten Simba-1.6-Modellen unterstützt. Der KI-Stimmengenerator in Speechify Studio hat eine eigene Emotionsauswahl, siehe oben.
Wo steuere ich die Emotion im KI-Stimmengenerator?
In Speechify Studio erscheint nach dem Einfügen des Skripts ein Emotionswähler neben der Stimmwahl. Wenden Sie ihn auf den gesamten Clip oder einen markierten Abschnitt an und rendern Sie anschließend neu.
Kann ich eine Emotion in der Speechify-API einstellen?
Nicht mit den aktuellen Modellen. simba-3.2 und simba-3.0 akzeptieren <speechify:style emotion="..."> und geben 200 zurück, sprechen den Text aber ohne Stil. Gestalten Sie die Wiedergabe daher über den Text und die gewählte Stimme und nutzen Sie die unterstützten Tags: <break>, <prosody rate> und <sub alias>. Siehe SSML-Anleitung.
Kann ich mehrere Emotionen im selben Voiceover kombinieren?
In Speechify Studio sind Emotionen pro Auswahl möglich, sodass sich ein Voiceover zeilenweise verändern lässt. Bei den API-Modellen werden Emotionsstile nicht umgesetzt. Variieren können Sie je Abschnitt das Sprechtempo mit <prosody rate> und Pausen mit <break>.
Klingt eine emotionale Stimme so natürlich wie eine neutrale?
Sehr ähnlich. Neue, begutachtete TTS-Modelle mit Emotionsausgabe erreichen bei der Ausdrucksstärke rund 3,94/5,0 und bei der Natürlichkeit 3,98/5,0 – also aus Sicht der Zuhörenden nahezu Gleichstand.
Hilft emotionale Wiedergabe, Inhalte besser zu behalten?
Studien mit menschlichen Sprechern bestätigen das: Positive Prosodie verbessert die Erinnerung an Sachinhalte. Dieselben Effekte zeigen gezielt eingesetzte AI-Voiceover.
Darf ich emotionale Stimmen für kommerzielle Voiceover nutzen?
Speechify-Lizenzen umfassen die kommerzielle Nutzung erzeugter Voiceover, einschließlich Emotionsstilen. Beachten Sie die Längenbeschränkungen Ihres Tarifs.
Wie unterscheidet sich das von Tempo- oder Tonhöhenänderungen?
Bei Simba 1.6 beeinflussen Emotionsstile die gesamte Prosodie, also auch Pausen, Betonung, Satzmelodie und Dynamik. Eine „angry“-Version klingt daher nicht einfach nur schneller oder höher als das neutrale Pendant. In den aktuellen Modellen lässt sich vor allem das Tempo anpassen: <prosody rate> wirkt, während <prosody pitch> und Emotionsstile zwar akzeptiert, aber nicht umgesetzt werden.
