TTS modern sudah mengatasi masalah keterpahaman sejak beberapa tahun lalu. Blizzard Challenge, tolok ukur tahunan yang melacak kemajuan sintesis suara sejak 2005, melaporkan bahwa pada 2021, suara sintetis sudah tidak bisa dibedakan dari suara alami dari sisi keterpahaman, dan nyaris tak terbedakan dari sisi kealamian (Perrotin et al., 2024). Jadi, fokus bidang ini pun bergeser. Pertanyaan yang menarik kini bukan lagi apakah Anda bisa memahami suaranya, melainkan apakah suara itu terdengar benar-benar bermakna. Speechify Studio menjawabnya dengan text to speech emosional, selangkah lebih maju dari text to speech biasa. Untuk API pengembang, jawabannya bergantung pada model, dan model saat ini belum menerapkan gaya emosi.
Gaya Emosi adalah Fitur Simba 1.6
Di API, gaya emosi berasal dari tag SSML <speechify:style>, dan hanya model Simba 1.6, simba-english, dan simba-multilingual yang menerapkannya. Ada tiga belas nilai: Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct, dan Bright. Simba 1.6 sudah tidak tersedia untuk workspace baru, dan mulai 21 November 2026, kedua ID tersebut akan dilayani oleh model saat ini, yang tetap menerima tag tetapi tidak menerapkannya. Lihat Migrasi dari Simba 1.6.
Menggunakan Emosi di Speechify AI Voice Generator
AI Voice Generator tersedia di Speechify Studio dan menjadi alat andalan kreator untuk voice over, video marketing, buku audio, dan segmen podcast. Tempelkan skrip Anda, pilih suara, lalu terapkan gaya emosi ke seluruh klip atau ke bagian tertentu. Karena emosi diterapkan per bagian, voice over yang sama bisa memiliki pembuka Cheerful, pernyataan nilai Assertive, dan penutup Warm tanpa perlu ganti suara.
Beberapa alur kerja nyata yang menunjukkan pentingnya fitur ini: video marketing yang dirender di alat seperti CapCut biasanya membutuhkan dua hingga tiga nada, seperti menarik perhatian, menyampaikan janji, dan ajakan bertindak. Daripada membuat tiga rekaman suara terpisah, Anda bisa menghasilkan satu voice over dengan perubahan emosi di setiap baris. Buku audio dan narasi fiksi juga sangat diuntungkan, karena dialog antarkarakter bisa membawa emosi berbeda tanpa harus merekrut banyak narator. Untuk video penjelasan, satu suara Calm yang membacakan bagian paling berat lebih mudah dipahami daripada suara yang terus berusaha terdengar “menarik”.
Apa yang Saat Ini Diterapkan oleh Speechify API
Pada model saat ini, simba-3.2 dan simba-3.0, Speechify API menerima <speechify:style> dan mengembalikan 200, tetapi membacakan teks tanpa gaya tersebut. Hal yang sama berlaku untuk <prosody pitch>, <prosody volume>, dan <emphasis>. Tiga tag SSML yang benar-benar diterapkan adalah: <break> (jeda), <prosody rate> (kecepatan bicara), dan <sub alias> (pengucapan). Panduan SSML memuat detail tiap model.
Misalnya, <speak>Pesanan Anda telah dikirim. <break time="500ms" /> <prosody rate="slow">Baca <sub alias="Frequently Asked Questions">FAQ</sub> untuk waktu pengiriman.</prosody></speak> membuat jeda setengah detik, lalu membaca kalimat kedua dengan lambat, dan mengucapkan “Frequently Asked Questions” alih-alih FAQ.
Karakter suara pada model saat ini dibentuk oleh teks dan pilihan suaranya. Tanda baca dan bentuk kalimat menentukan intonasi, jadi tulislah setiap baris sesuai nuansa yang Anda inginkan, lalu tambahkan <break> jika memerlukan jeda yang lebih panjang daripada tanda baca biasa. Pilihan suara yang Anda gunakan menentukan karakter dasarnya. Untuk feedback e-learning, misalnya, ini bisa berarti satu baris singkat dan lugas untuk jawaban benar, <prosody rate="slow"> untuk petunjuk, dan <break> sebelum penjelasan.
Speechify AI Voice Generator vs Speechify API: Mana yang Harus Dipilih
Di Mana Suara Emosional Benar-Benar Mengubah Cara Anda Berkarya
Emotional TTS adalah kunci untuk karya kreatif. Satu suara mirip selebritas bisa membacakan seluruh audiobook, karakter animasi dapat menyampaikan lelucon sekaligus kesedihan, dan pembuka podcast bisa hadir dengan nada yang pas — semua ini dulu sulit dicapai dengan sintesis suara yang datar. Sekarang hal itu memungkinkan, karena emosi hadir di dalam suara, bukan hanya di arahan skrip. Bagi kreator yang sudah menggunakan suara selebritas dan karakter dari Speechify, gaya emosional menjadi pembeda antara suara yang sekadar mirip dan suara yang benar-benar “berakting”.
Apakah Penyampaian Emosional Benar-Benar Meningkatkan Pemahaman?
Ya, dan ini bisa diukur bahkan di luar ranah AI. Dalam studi tahun 2022 pada usia 11–13 tahun dan replikasinya pada 2025, peneliti Dylman dan Champoux-Larsson menemukan bahwa pendengar menjawab lebih banyak pertanyaan konten dengan benar ketika materi faktual yang sama dibacakan dengan prosodi emosional positif dibandingkan dengan nada netral (Dylman et al., 2025). Peningkatan pemahaman ini signifikan, baik untuk ingatan jangka pendek maupun jangka panjang. Untuk konten edukasi, tutorial produk, dan audio berdurasi panjang yang menuntut retensi, suara emosional memberi manfaat nyata.
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 sama, sehingga satu kalimat bisa disampaikan dengan cara yang berbeda-beda. Di AI Voice Generator milik Speechify Studio, Anda bisa memilih emosi untuk tiap bagian teks. Model Speechify API saat ini belum menerapkan 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> dan membacakan teks tanpa menerapkan gaya. Ketiga belas nilai dari Angry hingga Bright hanya diterapkan oleh model Simba 1.6 yang kini sudah nonaktif. AI Voice Generator di Speechify Studio memiliki pemilih emosi tersendiri seperti dijelaskan di atas.
Di mana saya bisa mengontrol emosi pada AI Voice Generator?
Di dalam Speechify Studio, setelah Anda memasukkan skrip, pemilih emosi muncul di sebelah pemilih suara. Terapkan ke seluruh klip atau ke bagian yang dipilih, lalu render ulang.
Bisakah saya mengatur emosi di Speechify API?
Belum pada model saat ini. simba-3.2 dan simba-3.0 menerima <speechify:style emotion="..."> dan mengembalikan 200, tetapi teks tetap dibacakan tanpa gaya. Nuansa penyampaian saat ini dibentuk lewat teks dan suara yang dipilih, serta tag yang memang didukung: <break>, <prosody rate>, dan <sub alias>. Lihat panduan SSML.
Bisa dikombinasikan berbagai emosi dalam satu voice over?
Di Speechify Studio, emosi diterapkan per bagian, jadi satu voice over bisa berganti nuansa di setiap baris. Pada model API saat ini, gaya emosi tidak diterapkan. Yang bisa diubah per bagian hanya kecepatan bicara dengan <prosody rate> dan jeda dengan <break>.
Apakah suara emosional terdengar natural seperti suara netral?
Sangat mendekati. Model TTS emosional yang telah ditinjau sejawat kini mendapatkan skor sekitar 3,94/5,0 untuk ekspresivitas dan 3,98/5,0 untuk kealamian, yang berarti pendengar menilai keduanya hampir setara pada kedua aspek tersebut.
Apakah penyampaian emosional memang membantu pendengar mengingat konten?
Penelitian pada pembicara manusia menunjukkan jawabannya ya. Prosodi positif meningkatkan ingatan terhadap fakta dalam studi terkontrol. Prinsip yang sama juga berlaku untuk voice over AI yang diarahkan dengan baik.
Bisakah suara emosional digunakan secara komersial untuk voice over?
Lisensi Speechify mencakup penggunaan komersial untuk voice over yang dihasilkan, termasuk gaya emosi. Periksa paket Anda untuk mengetahui batas durasi output.
Apa bedanya dengan hanya mengatur kecepatan atau pitch?
Di Simba 1.6, gaya emosi mengubah prosodi secara menyeluruh: jeda, penekanan, kontur intonasi, dan energi — karena itu hasil “angry” tidak sama dengan versi netral yang hanya dibuat lebih cepat dan lebih tinggi. Pada model saat ini, hanya kecepatan yang bisa diatur: <prosody rate> diterapkan, sedangkan <prosody pitch> dan gaya emosi tetap diterima, tetapi tidak dijalankan.
