Guía definitiva sobre agentes de IA para centros de contacto

La TTS moderna resolvió la inteligibilidad hace años. El Blizzard Challenge, referente anual que evalúa la síntesis de voz desde 2005, reportó que para 2021 la voz sintética era indistinguible de la voz natural en inteligibilidad y casi indistinguible en naturalidad (Perrotin et al., 2024). A partir de ahí, el campo avanzó. La pregunta dejó de ser ¿se entiende la voz? y pasó a ser ¿la voz suena como si realmente quisiera decir lo que está diciendo?. Speechify Studio responde a esto al añadir expresividad al texto a voz estándar. En la API para desarrolladores, depende del modelo, y los actuales no aplican estilos emocionales.

Los estilos emocionales son una función de Simba 1.6

En la API, los estilos emocionales se controlan con la etiqueta SSML <speechify:style>, y solo los modelos Simba 1.6, simba-english y simba-multilingual la aplican. Sus trece valores son: Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct y Bright. Simba 1.6 ya no está disponible 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.

Cómo usar emociones en el Generador de Voz IA de Speechify

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

Ejemplos concretos: los videos de marketing hechos en herramientas como CapCut suelen requerir dos o tres tonos, como captar atención, prometer valor y cerrar con un llamado a la acción. En vez de generar tres locuciones por separado, produces una sola con emociones variables en cada línea. Los audiolibros y las narraciones de ficción se benefician aún más, porque el diálogo puede transmitir matices emocionales distintos sin contratar a varios narradores. En videos explicativos, una voz Calm constante en una sección densa se entiende mejor que intentar sonar "interesante" todo el tiempo.

¿Qué aplica 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 reproduce el texto sin ese estilo. Lo mismo pasa con <prosody pitch>, <prosody volume> y <emphasis>. Hay tres etiquetas SSML que sí se aplican: <break> para pausas, <prosody rate> para el ritmo de habla y <sub alias> para la pronunciación. Consulta la guía SSML para ver qué aplica cada modelo.

Por ejemplo, <speak>Su pedido ha sido enviado. <break time="500ms" /> <prosody rate="slow">Lea las <sub alias="Preguntas frecuentes">FAQ</sub> para conocer los tiempos de entrega.</prosody></speak> hace una pausa de medio segundo, luego lee despacio la segunda frase y dice "Preguntas frecuentes" en lugar de FAQ.

La entonación en los modelos actuales depende del texto y de la voz elegida. La puntuación y la estructura de la oración definen el fraseo; escribe cada línea como quieres que se diga y usa <break> cuando quieras una pausa más larga que la que marcan los signos de puntuación. La voz elegida define el tono base. Para feedback en e-learning, por ejemplo, puede servir una frase breve para una respuesta correcta, <prosody rate="slow"> para una pista y <break> antes de una explicación.

Speechify AI Voice Generator vs Speechify API: ¿Cuál elegir?

Dónde las voces emocionales cambian lo que puedes crear

El TTS emocional es clave para lo creativo. Una sola voz tipo celebridad para un audiolibro completo, un personaje animado que transmita humor o tristeza, una entrada de pódcast con el tono justo: nada de esto funcionaba bien con una síntesis plana. Ahora sí, porque la emoción está en la voz, no solo en el guion. Para quienes ya usan voces de celebridad y personajes de Speechify, los estilos emocionales marcan la diferencia entre sonar como el referente y realmente interpretarlo.

¿La expresión emocional mejora la comprensión?

Sí, y esto se puede medir incluso fuera de la IA. En un estudio de 2022 con niños de 11 a 13 años y su réplica en 2025, Dylman y Champoux-Larsson hallaron que los oyentes respondieron correctamente más preguntas sobre el contenido cuando el mismo material se leía con prosodia emocional positiva, frente a un tono neutro (Dylman et al., 2025). El aumento en la comprensión fue significativo y se mantuvo tanto a corto como a largo plazo. En contenido educativo, tutoriales y cualquier audio largo donde la retención es clave, una voz emocionalmente adecuada mejora la comprensión.

Preguntas frecuentes

¿Qué es texto a voz con emociones?

Es voz sintética con un tono emocional elegido, como alegre o triste, añadido al contenido, por lo que una misma frase puede decirse de distintas formas. 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 soporta la API de Speechify?

En los modelos actuales, ninguna: simba-3.2 y simba-3.0 aceptan la etiqueta <speechify:style>, pero reproducen el texto sin estilo. Sus trece valores, de Angry a Bright, solo los aplicaban los modelos Simba 1.6 ya retirados. El Generador de Voz IA de Speechify Studio cuenta con su propio selector de emociones, como se describe arriba.

¿Dónde controlo la emoción en el Generador de Voz IA?

Dentro de Speechify Studio, después de ingresar tu guion, aparece un selector de emociones junto al selector de voz. Aplícalo a todo el clip o a una selección resaltada y vuelve a renderizar.

¿Puedo fijar 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 aplicar el estilo. Configura la entonación a través del texto y la voz seleccionada, usando las etiquetas que sí funcionan: <break>, <prosody rate> y <sub alias>. Consulta la guía SSML.

¿Puedo combinar emociones en una sola locución?

En Speechify Studio, las emociones se aplican por selección, así que puedes cambiar el tono línea por línea. En la API, los modelos actuales no aplican estilos emocionales. Lo que sí puedes variar es el ritmo con <prosody rate> y las pausas con <break>.

¿Las voces emocionales suenan tan naturales como las neutras?

Muy parecido. Los modelos TTS emocionales revisados por pares registran hoy 3.94/5.0 en expresividad y 3.98/5.0 en naturalidad; es decir, obtienen puntajes casi iguales en ambas dimensiones.

¿La expresión emocional realmente ayuda a retener el contenido?

La investigación con locutores reales indica que sí. Una prosodia positiva mejora la retención de información en estudios controlados. El mismo principio aplica a locuciones de IA bien dirigidas.

¿Puedo usar voces emocionales para locuciones comerciales?

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

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

En Simba 1.6, los estilos emocionales modifican toda la prosodia: pausas, énfasis, entonación y energía; por eso una versión "angry" no suena solo más rápida o más alta, sino realmente distinta de la neutral. En los modelos actuales, solo puedes ajustar la velocidad: <prosody rate> sí se aplica, pero <prosody pitch> y los estilos emocionales se aceptan, aunque no se ejecutan.