Moderne TTS løste forståelighet for flere år siden. Blizzard Challenge, en årlig benchmark for talesyntese siden 2005, rapporterte at syntetisk tale i 2021 var umulig å skille fra naturlig tale når det gjaldt forståelighet, og også nesten umulig å skille i naturlighet (Perrotin et al., 2024). Derfor gikk feltet videre. Det interessante spørsmålet var ikke lenger om man forstår stemmen, men om stemmen høres ut som om den mener det den sier. Speechify Studio løser dette med emosjonell talesyntese, i tillegg til vanlig talesyntese. I utvikler-API-et avhenger det av modellen, og dagens modeller støtter ikke følelsesstiler.
Følelsesstiler er en funksjon i Simba 1.6
I API-et kommer følelsesstiler fra SSML-taggen <speechify:style>, og bare Simba 1.6-modellene, simba-english og simba-multilingual, støtter den. De tretten verdiene er Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct og Bright. Simba 1.6 brukes ikke lenger for nye arbeidsområder, og fra 21. november 2026 blir begge id-ene levert av dagens modeller, som godtar taggen, men ikke bruker den. Se Migrering fra Simba 1.6.
Bruk av følelser i Speechify AI Voice Generator
AI Voice Generator finnes i Speechify Studio og er verktøyet skapere bruker til voiceover, markedsføringsvideoer, lydbøker og podkastsegmenter. Du limer inn manuset, velger en stemme og kan deretter legge til en følelsesstil på hele klippet eller utvalgte partier. Fordi følelsene legges til per utvalg, kan den samme voiceoveren ha en Cheerful intro, et Assertive verdiforslag og en Warm avslutning — uten å bytte stemme.
Noen konkrete arbeidsflyter der dette er viktig: Markedsføringsvideoer laget i verktøy som CapCut trenger ofte to til tre toneskifter, for eksempel oppmerksomhet, løfte og oppfordring til handling. I stedet for tre separate voiceovere kan du generere én der følelsen endres fra linje til linje. Lydbøker og fortellende fiksjon har enda større nytte av dette, ettersom dialog kan ha ulikt følelsesinnhold uten flere innlesere. I forklarende innhold gir én Calm stemme som leser tette partier, ofte bedre resultat enn den samme stemmen som prøver å høres "engasjerende" ut hele veien.
Hva Speechify API støtter i dag
I dagens modeller, simba-3.2 og simba-3.0, godtar Speechify API <speechify:style> og returnerer 200, men leser teksten inne i taggen uten stil. Det samme gjelder <prosody pitch>, <prosody volume> og <emphasis>. Tre SSML-tagger støttes: <break> for pauser, <prosody rate> for taletempo og <sub alias> for uttale. SSML-veiledningen viser hva hver modell støtter.
For eksempel: <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> gir en pause på et halvt sekund, leser neste setning sakte og sier "Frequently Asked Questions" der det står FAQ.
Leveringen i dagens modeller styres av tekst og stemme. Tegnsetting og setningsbygning former fremføringen, så skriv hver linje slik du vil ha den, og bruk <break> for lengre pauser enn tegnsetting alene gir. Stemmen du velger, setter grunnpreget. For e-læringsoppgaver kan det bety en kort linje for riktig svar, <prosody rate="slow"> for hint og en <break> før forklaringen.
Speechify AI Voice Generator vs Speechify API: Hva bør du velge?
Der emosjonelle stemmer virkelig utvider mulighetene
Emosjonell TTS er det som mangler i kreativt innhold. Én kjendisaktig stemme som leser en hel lydbok, en animert figur som leverer både punchlines og sorg, en podkastintro med riktig stemning — ingenting av dette fungerte godt med flat syntese. Når følelsen ligger i stemmen, ikke bare i manuset, fungerer det. Brukere av Speechifys kjendis- og karakterstemmer vil merke at følelsesstiler utgjør forskjellen mellom en stemme som bare ligner referansen, og en som faktisk «spiller» rollen.
Gir emosjonell fremføring faktisk bedre forståelse?
Ja, og dette kan måles også utenfor AI-feltet. I en studie fra 2022 med 11- til 13-åringer og en replikasjon i 2025 fant forskerne Dylman og Champoux-Larsson at lyttere svarte riktigere på faktaspørsmål når innholdet ble lest med positiv emosjonell prosodi enn med nøytral tone (Dylman et al., 2025). Gevinsten i forståelse var betydelig, både umiddelbart og etter en stund. For undervisningsinnhold, produktopplæringer og alt der lytteren skal huske innholdet, bidrar en emosjonelt riktig stemme tydelig til bedre forståelse.
FAQ
Hva er tekst-til-tale med følelser?
Det er syntetisk tale med en valgt følelsestone, som cheerful eller sad, i tillegg til teksten, slik at den samme setningen kan fremføres på ulike måter. I AI Voice Generator i Speechify Studio velger du følelse per utvalg. Speechify API sine nåværende modeller bruker ikke emosjonelle stiler.
Hvor mange følelser støtter Speechify API?
I dagens modeller: ingen. simba-3.2 og simba-3.0 godtar <speechify:style>, men leser teksten uten stil. De tretten verdiene, fra Angry til Bright, brukes bare av den utgåtte Simba 1.6. AI Voice Generator i Speechify Studio har en egen følelsesvelger, beskrevet over.
Hvor styrer jeg følelser i AI Voice Generator?
I Speechify Studio får du opp en følelsesvelger ved siden av stemmevalget etter at du har lagt inn manus. Legg den til på hele klippet eller på markerte partier, og generer på nytt.
Kan jeg sette følelser i Speechify API?
Ikke med dagens modeller. simba-3.2 og simba-3.0 godtar <speechify:style emotion="..."> og returnerer 200, men leverer teksten uten stil. Fremføringen styrer du gjennom tekst og valg av stemme, samt taggene som faktisk støttes: <break>, <prosody rate> og <sub alias>. Se SSML-guiden.
Kan jeg kombinere flere følelser i én voiceover?
I Speechify Studio kan følelser velges per utvalg, så én voiceover kan skifte tone fra linje til linje. I API-ets nåværende modeller brukes ikke følelsesstiler. Men du kan variere tempo med <prosody rate> og pauser med <break> for hver del.
Høres emosjonelle stemmer like naturlige ut som nøytrale?
Nesten identisk. Fagfellevurderte emosjonelle TTS-modeller scorer nå rundt 3,94/5,0 for uttrykksevne og 3,98/5,0 for naturlighet, nesten på nivå med nøytrale stemmer.
Hjelper emosjonell fremføring lytterne med å huske innholdet bedre?
Studier av menneskelige innlesere tyder på det: Positiv prosodi gir bedre hukommelse for faktainnhold. Prinsippet gjelder også for godt regisserte AI-stemmer.
Kan jeg bruke emosjonelle stemmer kommersielt?
Speechify-lisensen dekker kommersiell bruk av genererte voiceovere, inkludert emosjonelle stiler. Sjekk abonnementet ditt for eventuelle lengdegrenser.
Hvordan skiller dette seg fra bare å endre hastighet eller tonehøyde?
I Simba 1.6 endrer følelsesstiler hele prosodien: pauser, betoning, intonasjon og energi. Derfor høres "angry" ikke bare ut som en rask, lysere versjon av nøytral. I dagens modeller kan bare tempo justeres: <prosody rate> fungerer, mens <prosody pitch> og følelsesstiler godtas, men ikke brukes.
