Išsamus vadovas apie AI agentus skambučių centruose

Šiuolaikiniai TTS jau seniai išsprendė suprantamumo problemą. „Blizzard Challenge“, kasmetinis nuo 2005 m. kalbos sintezės pažangą vertinantis etalonas, 2021 m. paskelbė, kad sintetinė kalba pagal suprantamumą tapo nebeatskiriama nuo natūralios, o pagal natūralumą – taip pat beveik nebeatskiriama (Perrotin ir kt., 2024). Todėl sritis žengė toliau. Įdomiausias klausimas tapo nebe ar balsas suprantamas, o ar jis skamba prasmingai pagal tai, kas sakoma. Speechify Studio tai sprendžia siūlydama emocinę teksto į kalbą sintezę – daugiau nei paprastą teksto į kalbą funkciją. Kūrėjų API atveju atsakymas priklauso nuo modelio, o dabartiniai modeliai emocinių stilių netaiko.

Emociniai stiliai yra Simba 1.6 funkcija

API emociniai stiliai perduodami per <speechify:style> SSML žymą, ir ją taiko tik Simba 1.6 modeliai – simba-english ir simba-multilingual. Yra trylika emocijų: Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct ir Bright. Simba 1.6 nebėra naudojamas naujose darbo aplinkose, o nuo 2026 m. lapkričio 21 d. abu šie ID bus aptarnaujami tik dabartiniais modeliais, kurie žymą priima, bet jos netaiko. Daugiau informacijos – „Migrating off Simba 1.6“.

Emocijų naudojimas Speechify AI balso generatoriuje

AI balso generatorius veikia Speechify Studio aplinkoje ir yra skirtas kūrėjams, rengiantiems įgarsinimus, reklaminius vaizdo įrašus, audioknygas ir tinklalaidžių ištraukas. Įklijuojate scenarijų, pasirenkate balsą, o tada pritaikote emociją visam įrašui arba pažymėtai eilutei. Kadangi emocijos taikomos pasirinktinai, tas pats įgarsinimas gali turėti džiugią pradžią, ryškią vertės žinutę ir šiltą pabaigą nekeičiant balso.

Keli konkretūs naudojimo scenarijai: rinkodaros vaizdo įrašai, kuriuos kuriate tokiose priemonėse kaip CapCut, paprastai turi kelias tonines dalis: dėmesio patraukimą, pažadą, raginimą veikti. Vietoj trijų atskirų įrašų sukuriate vieną įgarsinimą, kuriame emocija keičiasi eilutė po eilutės. Audioknygoms ar grožinės literatūros skaitymui tai dar svarbiau, nes dialoguose kiekvienas veikėjas gali skambėti emociškai kitaip ir tam nereikia kelių įgarsintojų. Paaiškinamuosiuose įrašuose ramus balsas sudėtingai daliai dažnai tinka labiau nei tas pats balsas, visą laiką bandantis skambėti „įtraukiančiai“.

Ką Speechify API taiko šiandien

Dabartiniuose modeliuose, simba-3.2 ir simba-3.0, Speechify API priima <speechify:style> ir grąžina 200, tačiau žodžiai ištariami be stiliaus. Tas pats galioja ir <prosody pitch>, <prosody volume> bei <emphasis>. Taikomos trys SSML žymos: <break> (pauzėms), <prosody rate> (greičiui) ir <sub alias> (tarimui). Visas žymų taikymo galimybes rasite SSML vadove.

Pavyzdžiui, <speak>Jūsų užsakymas išsiųstas. <break time="500ms" /> <prosody rate="slow">Perskaitykite <sub alias="Dažniausiai užduodami klausimai">DUK</sub> dėl pristatymo laikų.</prosody></speak> – čia padaroma pusės sekundės pauzė, tada antroji eilutė skaitoma lėčiau, o vietoj „DUK“ tariamas visas frazės pavadinimas.

Dabartiniuose modeliuose išraišką kuria tekstas ir pasirinktas balsas. Skyryba ir sakinio struktūra lemia frazavimą – rašykite taip, kaip norite, kad būtų pasakyta, ir naudokite <break>, jei reikia ilgesnės pauzės nei suteikia skyryba. Pasirinktas balsas nustato pagrindinį charakterį. E. mokymuose tinka trumpa aiški eilutė už teisingą atsakymą, <prosody rate="slow"> užuominai ir <break> prieš paaiškinimą.

Speechify AI balso generatorius ar Speechify API: ką pasirinkti?

Kur emocinis balsas iš tiesų atveria daugiau galimybių

Emocinis TTS yra trūkstama kūrybos grandis. Vienas „įžymybės“ tipo balsas visai audioknygai, animuotas veikėjas, perteikiantis ir humorą, ir liūdesį, ar tinklalaidės pradžia su tinkama emocija – visa tai neveikė su vienaplaniu sintezavimu. Dabar tai įmanoma, nes emocija slypi pačiame balse, o ne vien scenarijuje. Jau naudojantiems Speechify garsenybių ir personažų balsus emociniai stiliai yra skirtumas tarp balso, kuris tik „skamba kaip originalas“, ir balso, kuris iš tiesų „atlieka vaidmenį“.

Ar emocinis įgarsinimas pagerina supratimą?

Taip, ir tai pamatuojama ne tik AI srityje. 2022 m. tyrime su 11–13 m. vaikais ir 2025 m. pakartojime Dylman ir Champoux-Larsson pastebėjo, kad į daugiau turinio klausimų buvo atsakyta teisingai, kai tie patys faktai buvo perskaityti su teigiama emocine prosodija, palyginti su neutraliu tonu (Dylman ir kt., 2025). Pagerėjimas buvo ryškus ir išliko tiek iškart, tiek po uždelsimo. Švietime, produktų mokymuose ir bet kokiame ilgesniame garsiniame turinyje, kur svarbus įsiminimas, emocijai tinkamas balsas tikrai padeda geriau suprasti.

DUK

Kas yra emocinė teksto į kalbą sintezė?

Tai sintetinė kalba su pasirinkta emocija, pavyzdžiui, džiugia ar liūdna – ta pati frazė gali būti ištarta skirtingai. Speechify Studio AI balso generatoriuje pasirenkate emociją kiekvienai daliai. 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> žymą ir skaito tekstą be stiliaus. Trylika reikšmių nuo Angry iki Bright taiko tik nebenaudojami Simba 1.6 modeliai. Speechify Studio AI balso generatoriaus emocijų pasirinkimas aprašytas aukščiau.

Kur reguliuoti emociją AI balso generatoriuje?

Speechify Studio aplinkoje, įvedus scenarijų, šalia balso pasirinkimo atsiranda emocijos pasirinkiklis. Priskirkite emociją visam įrašui arba pažymėtai daliai ir sugeneruokite iš naujo.

Ar galiu nustatyti emociją per Speechify API?

Ne, dabartiniuose modeliuose – ne. simba-3.2 ir simba-3.0 priima <speechify:style emotion="..."> ir grąžina 200, bet skaito be stiliaus. Pateikimui paveikti naudokite tekstą ir pasirinkite balsą, taip pat taikykite <break>, <prosody rate> ir <sub alias>. Daugiau žr. SSML vadove.

Ar galiu derinti kelias emocijas viename įgarsinime?

Speechify Studio emocijos taikomos pagal pažymėtas dalis, todėl viename įgarsinime tonas gali kisti eilutė po eilutės. API dabartiniuose modeliuose emociniai stiliai netaikomi. Galima keisti kalbėjimo greitį per <prosody rate> ir pauzes per <break>.

Ar emociniai balsai skamba taip pat natūraliai kaip neutralūs?

Beveik visiškai. Recenzuoti emocinio TTS modeliai renka apie 3,94/5,0 už išraiškingumą ir 3,98/5,0 už natūralumą, tad klausytojai juos abiem aspektais vertina beveik taip pat.

Ar emocinis pateikimas tikrai padeda geriau įsiminti turinį?

Tyrimai su gyvais kalbėtojais rodo, kad taip. Teigiama prosodija pagerina faktinės informacijos įsiminimą kontroliuojamuose bandymuose. Tas pats galioja ir tinkamai parengtiems AI įgarsinimams.

Ar galiu naudoti emocinius balsus komerciniams įgarsinimams?

Speechify licencija leidžia komerciškai naudoti sugeneruotus įgarsinimus, įskaitant emocinius stilius. Pasitikrinkite savo planą dėl galimų trukmės apribojimų.

Kuo tai skiriasi nuo greičio ar tono reguliavimo?

Simba 1.6 emociniai stiliai iš esmės keičia prosodiją – pauzes, akcentus, intonacijos kontūrą ir energiją, todėl „angry“ nėra tik greitesnė ar aukštesnė neutralaus balso versija. Dabartiniuose modeliuose galima keisti tik greitį: <prosody rate> taikoma, o <prosody pitch> ir emociniai stiliai priimami, bet netaikomi.