Emocijos Speechify teksto vertimo į kalbą (TTS) API: ką palaiko dabartiniai modeliai

Šiuolaikinis TTS klausomumo problemą išsprendė jau prieš kelerius metus. Blizzard Challenge – kasmetinis kalbos sintezės pažangos testas nuo 2005-ųjų – 2021 m. parodė, kad sintetinė kalba klausomumo požiūriu tapo neatskiriama nuo natūralios ir skamba beveik taip pat natūraliai (Perrotin et al., 2024). Tad sritis gerokai pažengė į priekį. Klausimas jau nebe ar suprantate balsą, o ar balsas skamba taip, lyg pats tikėtų tuo, ką sako. Speechify Studio į tai atsako emociniu teksto vertimu į kalbą, o ne vien paprastu TTS. Programuotojams skirtoje API atsakymas priklauso nuo modelio, o dabartiniai modeliai emocinių stilių nenaudoja.

Emociniai stiliai buvo naudojami tik Simba 1.6

API emociniai stiliai taikomi per <speechify:style> SSML žymę, ir ją supranta tik Simba 1.6 modeliai – simba-english ir simba-multilingual. Galima rinktis iš 13 stilių: Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct ir Bright. Simba 1.6 nebenaudojamas naujoms workspace aplinkoms, o nuo 2026 m. lapkričio 21 d. abu ID bus aptarnaujami dabartiniais modeliais, kurie žymę priima, bet jos netaiko. Apie perėjimą nuo Simba 1.6 skaitykite atskirai.

Kaip naudoti emocijas Speechify AI Voice Generator

AI Voice Generator veikia Speechify Studio aplinkoje – tai įrankis kuriantiems įgarsinimus, reklaminius įrašus, audioknygas ar tinklalaidžių segmentus. Nukopijuojate savo tekstą, pasirenkate balsą ir pritaikote emocinį stilių visam įrašui arba pasirinktai teksto daliai. Kadangi emocija parenkama kiekvienai daliai atskirai, tame pačiame įraše galima turėti ir linksmą pradžią, užtikrintą vertės pristatymą, ir šiltą pabaigą nekeičiant balso.

Ypač tai praverčia, pavyzdžiui, kuriant reklamos vaizdo įrašą CapCut ar panašiuose įrankiuose, kai paprastai reikia 2–3 skirtingų tonų: dėmesiui patraukti, pažadui perteikti ir raginimui veikti. Vietoj trijų atskirų balsų galima sugeneruoti vieną įrašą su skirtingomis emocijomis. Audioknygų ar grožinės literatūros įgarsinimui tai dar svarbiau, nes dialoguose gali skambėti skirtingos emocijos be kelių aktorių. Aiškinamajam turiniui trumpas, ramus balsas tankesnėse vietose dažnai būna aiškesnis nei bandymas per visą tekstą išlaikyti „įtraukiančią“ kalbėseną.

Ką palaiko Speechify API su naujais modeliais

Simba-3.2 ir simba-3.0 modeliai priima <speechify:style> žymę ir grąžina 200, bet tekstą perskaito be stiliaus. Taip pat neveikia <prosody pitch>, <prosody volume> ir <emphasis>. Veikia trys SSML žymės: <break> (pauzėms), <prosody rate> (kalbėjimo greičiui), <sub alias> (tarimui). Kiekvieno modelio palaikomos žymės surašytos SSML gide.

Pavyzdžiui, <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> įterpia pusės sekundės pauzę ir antrą sakinį perskaito lėčiau, o „FAQ“ ištaria kaip „Frequently Asked Questions“.

Dabartinių modelių intonacija priklauso nuo teksto ir pasirinkto balso. Skyryba ir sakinio sandara formuoja frazuotę, tad kiekvieną eilutę rašykite taip, kaip norite, kad ji būtų tariama, o jei reikia ilgesnės pauzės, naudokite <break>. Pasirinktas balsas lemia bazinį charakterį. Pavyzdžiui, e. mokymų grįžtamajam ryšiui: trumpas sakinys – teisingam atsakymui, <prosody rate="slow"> – užuominai, <break> – prieš paaiškinimą.

Speechify AI Voice Generator ar Speechify API? Kam kas tinka geriausiai

Kur emociniai balsai iš tiesų atveria naujų galimybių

Emocinis TTS – paskutinė trūkstama grandis kuriant kūrybišką turinį. Vienas žvaigždės balsas visai audioknygai, įgarsintas veikėjas, gebantis perteikti ir juoką, ir skausmą, tinklalaidės intarpas, tiksliai pataikantis į emociją – visa tai nebuvo įmanoma su monotoniška sinteze. Dabar tai įmanoma, nes emocija jau slypi pačiame balse, o ne tik scenarijaus pastabose. Tiems, kas jau išbando Speechify žvaigždžių ar personažų balsus, emocinis stilius atskiria balsą, kuris tik atkartoja referenciją, nuo balso, kuris išties išgyvena tekstą.

Ar emocinis skaitymas pagerina supratimą?

Taip, ir tai galima pamatuoti ne tik AI kontekste. 2022 m. tyrimas su 11–13 metų vaikais ir 2025 m. pakartojimas (Dylman ir Champoux-Larsson) parodė, kad klausytojai daugiau klausimų apie turinį atsakydavo teisingai, kai tą patį faktinį tekstą girdėdavo su teigiama emocine prozodija, palyginti su neutraliu tonu (Dylman ir kt., 2025). Supratimo skirtumas buvo akivaizdus, ir efektas išliko tiek iškart, tiek vėliau. Taigi edukaciniam turiniui, produkto pamokoms ar ilgiems įrašams, kur svarbus įsiminimas, emocinis balsas tikrai padeda.

DUK

Kas yra teksto vertimas į kalbą su emocijomis?

Tai sintetinė kalba, kurioje žodžiams suteikiamas pasirinktas emocinis tonas, pavyzdžiui, linksmas ar liūdnas, todėl tą patį sakinį galima perskaityti įvairiai. Speechify Studio AI Voice Generator leidžia kiekvienai teksto daliai pasirinkti emociją. Dabartiniai Speechify API modeliai emocinių stilių netaiko.

Kiek emocijų palaiko Speechify API?

Dabartiniuose modeliuose – nė vienos: simba-3.2 ir simba-3.0 priima <speechify:style> žymę, bet tekstą perskaito be stiliaus. Visi 13 stilių – nuo Angry iki Bright – veikia tik pasenusiuose Simba 1.6 modeliuose. Speechify Studio AI Voice Generator turi atskirą emocijų pasirinkimą, kaip aprašyta aukščiau.

Kur AI Voice Generator reguliuoti emociją?

Speechify Studio įvedę scenarijų, šalia balso pasirinkimo matysite emocijų pasirinkimo mygtuką. Galite jį taikyti visam klipui arba pažymėtai jo daliai ir pergeneruoti.

Ar galima nustatyti emociją per Speechify API?

Su dabartiniais modeliais – ne. Simba-3.2 ir simba-3.0 priima <speechify:style emotion="..."> ir grąžina 200, bet tekstą perskaito be stiliaus. Pasakymą formuokite tekstu ir pasirinktu balsu, o naudokite veikiančias žymes: <break>, <prosody rate> ir <sub alias>. Žiūrėkite SSML gidą.

Ar galima sujungti kelias emocijas viename įgarsinime?

Speechify Studio galima taikyti skirtingas emocijas atskiroms pastraipoms, todėl intonacija gali kisti eilutė po eilutės. Per API dabartiniai modeliai emocinių stilių netaiko. Vieninteliai keičiami parametrai atkarpose – <prosody rate> (greitis) ir <break> (pauzės).

Ar emociniai balsai skamba taip pat natūraliai kaip neutralūs?

Beveik taip pat. Recenzuotuose emocinių TTS modelių vertinimuose už išraiškingumą skirta ~3,94/5, o už natūralumą ~3,98/5 – klausytojai abi savybes vertina beveik vienodai.

Ar emocinis pasakymas tikrai padeda išsaugoti informaciją?

Tyrimais su žmonių kalbėtojais paremti rezultatai rodo, kad taip. Teigiama prozodija pagerino faktų įsiminimą. Tas pats taikytina ir profesionaliai nukreiptiems AI įgarsinimams.

Ar emocinius balsus galima naudoti komerciniams įgarsinimams?

Speechify licencija apima komercinį sugeneruotų įrašų, įskaitant emocinius stilius, naudojimą. Pasitikrinkite savo planą dėl išvesties trukmės apribojimų.

Kuo tai skiriasi nuo paprasto greičio ar tono reguliavimo?

Simba 1.6 emociniai stiliai keičia visą prozodiją – ne tik greitį ar pauzes, bet ir akcentus, intonaciją bei energiją. Todėl „angry“ variantas skiriasi nuo tiesiog greito, aukšto tono. Dabartiniuose modeliuose reguliuoti galite tik greitį: <prosody rate> veikia, o <prosody pitch> ir emocijos tik priimamos, bet netaikomos.