Emosi pada API Text to Speech Speechify: Fitur yang Berlaku pada Model Saat Ini

Masalah keterpahaman pada TTS modern sebenarnya sudah teratasi sejak lama. The Blizzard Challenge, tolok ukur tahunan perkembangan sintesis suara sejak 2005, melaporkan bahwa pada 2021 suara sintetis sudah tak bisa dibedakan dari suara alami dari sisi keterpahaman, dan bahkan hampir setara dalam hal naturalitas (Perrotin et al., 2024). Karena itu, fokus di bidang ini pun bergeser. Pertanyaannya kini bukan lagi apakah suara dapat dipahami, melainkan apakah suara terdengar benar-benar bermakna. Speechify Studio menjawabnya dengan fitur text to speech emosional, sebagai pelengkap text to speech standar. Untuk API pengembang, jawabannya bergantung pada model, dan model saat ini belum menerapkan gaya emosi.

Gaya Emosi Hanya Tersedia di Simba 1.6

Di API, gaya emosi berasal dari tag SSML <speechify:style> dan hanya didukung oleh model Simba 1.6, yaitu simba-english dan simba-multilingual. Ada tiga belas nilainya: Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct, dan Bright. Simba 1.6 sudah tidak digunakan untuk workspace baru, dan mulai 21 November 2026 kedua ID tersebut akan dilayani oleh model saat ini, yang menerima tag ini tetapi tidak menerapkannya. Lihat Migrating off Simba 1.6.

Menggunakan Emosi di Speechify AI Voice Generator

AI Voice Generator tersedia di Speechify Studio dan digunakan kreator untuk voiceover, video pemasaran, audiobook, serta segmen podcast. Anda cukup menempelkan skrip, memilih suara, lalu menerapkan gaya emosi ke seluruh klip atau bagian tertentu. Karena emosi bisa diterapkan per bagian, sebuah voiceover dapat dimulai dengan Cheerful, menyampaikan value proposition secara Assertive, lalu ditutup secara Warm tanpa perlu mengganti suara.

Beberapa alur kerja nyata: video pemasaran yang dirender di alat seperti CapCut biasanya membutuhkan dua atau tiga nuansa, seperti pembuka yang menarik perhatian, penyampaian janji, dan ajakan bertindak. Daripada membuat tiga voiceover terpisah, Anda bisa membuat satu voiceover dengan emosi berbeda di setiap baris. Audiobook dan narasi fiksi bahkan lebih diuntungkan, karena dialog antarkarakter bisa menampilkan emosi yang berbeda tanpa harus merekrut beberapa narator. Untuk video penjelasan, satu suara Calm yang membacakan bagian penting sering kali jauh lebih jelas daripada suara yang terus berusaha terdengar "engaging" sepanjang waktu.

Yang Didukung Speechify API Saat Ini

Pada model terbaru, simba-3.2 dan simba-3.0, Speechify API menerima <speechify:style> dan memberikan respons 200, tetapi membacakan teks tanpa gaya emosi. Hal yang sama berlaku untuk <prosody pitch>, <prosody volume>, dan <emphasis>. Tiga tag SSML yang didukung adalah <break> untuk jeda, <prosody rate> untuk kecepatan bicara, serta <sub alias> untuk pengucapan. Panduan SSML menampilkan dukungan tiap model.

Contohnya, <speak>Pesanan Anda telah dikirim. <break time="500ms" /> <prosody rate="slow">Baca <sub alias="Pertanyaan yang Sering Diajukan">FAQ</sub> untuk informasi pengiriman.</prosody></speak> akan memberi jeda setengah detik, lalu membacakan kalimat kedua dengan lambat, sambil menyebut "Pertanyaan yang Sering Diajukan" untuk FAQ.

Penyampaian pada model saat ini bergantung pada teks dan suara yang dipilih. Tanda baca dan struktur kalimat memengaruhi penggalan frasa, jadi tulislah setiap baris seperti yang ingin Anda dengar, lalu tambahkan <break> jika perlu jeda yang lebih panjang daripada tanda baca biasa. Suara yang Anda pilih menentukan karakter dasarnya. Untuk umpan balik e-learning, misalnya: gunakan baris pendek untuk jawaban benar, <prosody rate="slow"> untuk petunjuk, dan <break> sebelum penjelasan.

Speechify AI Voice Generator vs Speechify API: Mana yang Tepat?

Di Mana Suara Emosional Benar-Benar Mengubah Hasil Akhir

TTS emosional adalah komponen penting untuk kebutuhan kreatif. Suara mirip selebritas yang membacakan audiobook penuh, karakter animasi yang menyampaikan humor dan duka, atau intro podcast dengan ritme yang pas—semua ini sulit dicapai dengan sintesis biasa. Kini hal itu memungkinkan karena ekspresi emosi hadir di dalam suara, bukan sekadar lewat arahan di naskah. Bagi kreator yang menggunakan suara selebritas atau karakter di Speechify, gaya emosi membuat suara tidak hanya mirip, tetapi juga terasa hidup.

Apakah Penyampaian Emosi Benar-Benar Meningkatkan Pemahaman?

Ya, dan hal ini didukung bukti ilmiah, bahkan di luar dunia AI. Dalam studi tahun 2022 pada anak usia 11–13 tahun serta replikasi pada 2025, Dylman dan Champoux-Larsson menemukan bahwa pendengar menjawab lebih banyak pertanyaan dengan benar ketika materi yang sama dibacakan dengan prosodi emosi positif dibandingkan dengan nada netral (Dylman et al., 2025). Peningkatan pemahaman ini signifikan dan bertahan baik untuk ingatan jangka pendek maupun jangka panjang. Untuk pendidikan, tutorial produk, serta audio panjang yang mengutamakan retensi, suara dengan emosi yang tepat memang dapat membantu pemahaman.

FAQ

Apa itu text to speech dengan emosi?

Ini adalah suara sintetis yang membawa nuansa emosi tertentu, seperti cheerful atau sad, di atas kata-kata yang diucapkan, sehingga satu kalimat bisa disampaikan dengan berbagai cara. Di AI Voice Generator Speechify Studio, Anda dapat memilih emosi per bagian. Model Speechify API terbaru belum mendukung gaya emosi.

Berapa banyak emosi yang didukung Speechify API?

Pada model saat ini, tidak ada: simba-3.2 dan simba-3.0 menerima tag <speechify:style>, tetapi membacakan teks tanpa gaya. Tiga belas gaya emosi, dari Angry hingga Bright, hanya diterapkan pada Simba 1.6 yang sudah tidak digunakan. AI Voice Generator di Speechify Studio memiliki pemilih emosinya sendiri, seperti dijelaskan di atas.

Di mana saya mengatur emosi di AI Voice Generator?

Di dalam Speechify Studio, setelah Anda memasukkan skrip, pemilih emosi akan muncul di samping pemilih suara. Terapkan ke seluruh klip atau bagian yang dipilih, lalu render ulang.

Bisakah saya mengatur emosi di Speechify API?

Tidak untuk model saat ini. simba-3.2 dan simba-3.0 menerima <speechify:style emotion="..."> dan merespons 200, tetapi membacakan teks tanpa gaya. Bentuk penyampaiannya ditentukan lewat teks dan suara yang dipilih, serta tag yang didukung: <break>, <prosody rate>, dan <sub alias>. Lihat panduan SSML.

Bisakah saya menggabungkan emosi dalam satu voiceover?

Di Speechify Studio, emosi dapat diterapkan per bagian sehingga satu voiceover bisa berganti nuansa di tiap baris. Pada API model terbaru, gaya emosi tidak diterapkan. Variasi per bagian yang saat ini didukung adalah kecepatan bicara dengan <prosody rate> dan jeda dengan <break>.

Apakah suara emosional terdengar senatural suara netral?

Sangat mendekati. Model TTS emosional yang telah melalui penilaian ilmiah kini mendapat skor sekitar 3,94/5,0 untuk ekspresivitas dan 3,98/5,0 untuk naturalitas—artinya, pendengar menilainya hampir setara di kedua aspek.

Apakah penyampaian emosi benar-benar membantu retensi pendengar?

Ya, berdasarkan riset pada pembicara manusia. Prosodi positif meningkatkan daya ingat terhadap konten faktual dalam studi terkontrol. Prinsip yang sama juga berlaku pada voiceover AI yang diarahkan dengan baik.

Bisakah suara emosi digunakan untuk voiceover komersial?

Lisensi Speechify mencakup penggunaan komersial untuk hasil voiceover, termasuk gaya emosi. Cek paket Anda untuk mengetahui batas durasi output.

Apa bedanya penyesuaian emosi dengan sekadar mengedit kecepatan atau pitch?

Pada Simba 1.6, gaya emosi mengubah prosodi secara menyeluruh, termasuk jeda, tekanan, kontur intonasi, dan energi, sehingga "angry" tidak sekadar terdengar lebih cepat dan lebih tinggi nadanya dibanding versi netral. Pada model terkini, hanya kecepatan bicara yang bisa diatur: <prosody rate> diterapkan, sedangkan <prosody pitch> dan gaya emosi diterima tetapi tidak diterapkan.