Emociones en la API de texto a voz de Speechify: qué admiten los modelos actuales

La TTS moderna resolvió la inteligibilidad hace años. El Blizzard Challenge, referencia anual que evalúa avances en síntesis de voz desde 2005, reportó que para 2021 la voz sintética ya era indistinguible en inteligibilidad y prácticamente igual en naturalidad (Perrotin et al., 2024). Así, el enfoque cambió. La pregunta dejó de ser ¿se entiende la voz? y pasó a ser ¿la voz transmite lo que quiere decir?. Speechify Studio responde con texto a voz emocional, además del texto a voz tradicional. En la API para desarrolladores, la respuesta depende del modelo: los actuales no aplican estilos emocionales.

Los estilos emocionales son una función de Simba 1.6

En la API, los estilos emocionales usan la etiqueta SSML <speechify:style>, que solo aplican los modelos Simba 1.6: simba-english y simba-multilingual. Sus trece valores son Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct y Bright. Simba 1.6 está retirado para nuevos espacios de trabajo y, a partir del 21 de noviembre de 2026, ambos identificadores funcionarán con los modelos actuales, que aceptan la etiqueta pero no la aplican. Consulta Migración desde Simba 1.6.

Emociones en el Generador de Voz IA de Speechify

El Generador de Voz IA está dentro de Speechify Studio y es la herramienta para creadores de locuciones, videos de marketing, audiolibros y segmentos de pódcast. Pegas el guión, eliges una voz y luego aplicas un estilo emocional a todo el clip o a un fragmento. Como las emociones se aplican por selección, una misma locución puede tener un inicio Cheerful, una propuesta Assertive y un cierre Warm sin cambiar de voz.

Algunos casos donde esto importa: los videos de marketing hechos en CapCut suelen requerir dos o tres tonos distintos, como atención, promesa y llamado a la acción. En vez de grabar tres locuciones, generas una sola con cambios de emoción por línea. Para audiolibros y narración de ficción es aún más útil, pues el diálogo entre personajes refleja distintas emociones sin contratar varias voces. En materiales explicativos, una voz Calm para leer secciones densas es más clara que una que intenta sonar “interesante” todo el tiempo.

Qué admite hoy la API de Speechify

En los modelos actuales, simba-3.2 y simba-3.0, la API de Speechify acepta <speechify:style> y responde 200, pero lee el texto sin aplicar el estilo. Lo mismo ocurre con <prosody pitch>, <prosody volume> y <emphasis>. Tres etiquetas SSML sí funcionan: <break> para pausas, <prosody rate> para velocidad y <sub alias> para pronunciación. Consulta la guía de SSML para ver qué admite cada modelo.

Por ejemplo, <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> hace una pausa de medio segundo, luego lee la siguiente frase despacio y dice “Frequently Asked Questions” en vez de FAQ.

En los modelos actuales, la entonación la definen el texto y la voz. La puntuación y la estructura de la oración marcan el ritmo, así que redacta cada línea como quieres que suene y añade <break> si necesitas una pausa mayor a la que da la puntuación. La voz elegida fija el carácter base. En e-learning, por ejemplo, puedes usar una frase corta para respuestas correctas, <prosody rate="slow"> para pistas y <break> antes de explicar la respuesta.

Speechify AI Voice Generator vs. API de Speechify: ¿cuál elegir?

Dónde las voces emocionales realmente transforman lo que puedes crear

El TTS emocional es la pieza que faltaba en lo creativo. Una sola voz de celebridad para todo un audiolibro, un personaje animado transmitiendo tanto humor como tristeza, o una intro de pódcast con el tono preciso: nada de esto funcionaba con una síntesis plana. Ahora sí, porque la emoción está en la voz, no solo en el guión. Para quienes ya usan voces de celebridad y de personaje en Speechify, los estilos emocionales marcan la diferencia entre sonar como la referencia y realmente interpretarla.

¿La entonación emocional realmente mejora la comprensión?

Sí, y se ha medido más allá de la IA. En un estudio de 2022 con niños de 11 a 13 años y una réplica en 2025, Dylman y Champoux-Larsson encontraron que respondían mejor a preguntas cuando el mismo texto se leía con prosodia positiva en lugar de un tono neutro (Dylman et al., 2025). Esa mejora fue considerable y persistió tanto en recuerdos inmediatos como tardíos. En contenido educativo, tutoriales de producto y cualquier audio donde la retención importa, una voz emocional favorece la comprensión.

Preguntas frecuentes

¿Qué es texto a voz con emociones?

Es voz sintética que transmite un tono emocional elegido, como alegría o tristeza, además del mensaje, lo que permite expresar la misma frase de distintas maneras. En el Generador de Voz IA de Speechify Studio, eliges la emoción por selección. Los modelos actuales de la API de Speechify no aplican estilos emocionales.

¿Cuántas emociones admite la API de Speechify?

En los modelos actuales, ninguna: simba-3.2 y simba-3.0 aceptan la etiqueta <speechify:style>, pero leen el texto sin el estilo. Sus trece valores, de Angry a Bright, solo los aplica Simba 1.6, que ya está retirado. El Generador de Voz IA de Speechify Studio tiene su propio selector de emociones (ver arriba).

¿Dónde se controla la emoción en el Generador de Voz IA?

Dentro de Speechify Studio, después de ingresar tu guión, aparece un selector de emociones junto al de voz. Aplica la emoción a todo el clip o a una parte seleccionada y vuelve a renderizar.

¿Puedo definir una emoción en la API de Speechify?

No en los modelos actuales. simba-3.2 y simba-3.0 aceptan <speechify:style emotion="..."> y responden 200, pero leen el texto sin el estilo. Adapta la entonación mediante el texto y la voz elegida, y usa las etiquetas que sí funcionan: <break>, <prosody rate> y <sub alias>. Consulta la guía de SSML.

¿Puedo combinar emociones en una sola locución?

En Speechify Studio, las emociones se aplican por selección, así que una sola locución puede cambiar de tono línea por línea. En la API, los estilos emocionales no se aplican en los modelos actuales. Lo que sí puedes variar por tramo es la velocidad (<prosody rate>) y las pausas (<break>).

¿Las voces emocionales suenan tan naturales como las neutrales?

Muy parecido. Los modelos TTS emocionales revisados por expertos hoy logran cerca de 3.94/5.0 en expresividad y 3.98/5.0 en naturalidad; es decir, los oyentes las califican casi igual en ambas dimensiones.

¿La entonación emocional ayuda a retener el contenido?

La investigación en personas indica que sí. La prosodia positiva mejora el recuerdo del contenido en estudios controlados. Lo mismo puede lograrse con locuciones de IA bien dirigidas.

¿Puedo usar voces emocionales para fines comerciales?

La licencia de Speechify permite el uso comercial de locuciones generadas, incluidos los estilos emocionales. Consulta tu plan para conocer los límites de duración de salida.

¿En qué se diferencia esto de solo ajustar la velocidad o el tono?

En Simba 1.6, los estilos emocionales modifican la prosodia completa: pausas, acentuación, entonación y energía. Por eso, una versión “enojada” no suena igual que una simplemente más rápida o más aguda. En los modelos actuales, solo se puede ajustar la velocidad: <prosody rate> sí aplica, mientras que <prosody pitch> y los estilos emocionales se aceptan, pero no se aplican.