Moderne tekst-til-tale løste forståelighet for flere år siden. Blizzard Challenge, en årlig benchmark som har fulgt utviklingen innen talesyntese siden 2005, rapporterte at i 2021 var syntetisk tale blitt umulig å skille fra naturlig tale når det gjaldt forståelighet, og nesten umulig å skille også når det gjaldt naturlighet (Perrotin et al., 2024). Feltet gikk derfor videre. Det interessante spørsmålet ble ikke lenger kan du forstå stemmen, men høres stemmen ut som om den mener det som blir sagt. Speechify Studio svarer på dette med emosjonell tekst-til-tale, i tillegg til vanlig tekst-til-tale. I utvikler-API-et avhenger svaret av modellen, og dagens modeller bruker ikke stilvalg for følelser.
Emosjonelle stiler er en funksjon i Simba 1.6
I API-et kommer emosjonelle stiler fra SSML-taggen <speechify:style>, og bare Simba 1.6-modellene, simba-english og simba-multilingual, støtter dette. De tretten verdiene er Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct og Bright. Simba 1.6 er avviklet for nye arbeidsområder, og fra 21. november 2026 leveres begge id-ene av dagens modeller, som godtar taggen uten å bruke den. Se Migrering fra Simba 1.6.
Slik bruker du følelser i Speechify AI Voice Generator
AI Voice Generator finnes i Speechify Studio og er verktøyet skapere bruker til voiceovers, markedsføringsvideoer, lydbøker og podkastsegmenter. Du limer inn manuset, velger en stemme, og kan så legge til en emosjonell stil for hele klippet eller en valgt del. Siden følelser settes per utvalg, kan ett og samme opptak ha en Cheerful-innledning, et Assertive-hovedpoeng og en Warm-avslutning – uten at du må bytte stemme.
Noen konkrete arbeidsflyter der dette er viktig: Markedsføringsvideoer laget i verktøy som CapCut trenger ofte to eller tre tonale høydepunkter, for eksempel oppmerksomhet, løfte og call-to-action. I stedet for tre forskjellige stemmeopptak kan du generere én voiceover der følelsen endres linje for linje. Lydbøker og fiktive fortellerstemmer drar enda større nytte av dette, fordi dialog mellom karakterer kan få ulik følelsesmessig tyngde uten flere innlesere. I forklarende innhold vil en enkel Calm-stemme gjennom tette partier være mer forståelig enn en stemme som prøver å høres «engasjert» ut hele veien.
Hva Speechify API støtter i dag
I de nåværende modellene, simba-3.2 og simba-3.0, godtar Speechify API <speechify:style> og returnerer 200, men leser teksten uten stil. Det samme gjelder <prosody pitch>, <prosody volume> og <emphasis>. Tre SSML-tagger fungerer: <break> for pauser, <prosody rate> for talehastighet og <sub alias> for uttale. SSML-guiden viser hva hver modell støtter.
For eksempel gir <speak>Bestillingen din er sendt. <break time="500ms" /> <prosody rate="slow">Les <sub alias="Ofte stilte spørsmål">FAQ</sub> for leveringstid.</prosody></speak> en pause på et halvt sekund, og deretter leses den andre setningen sakte, mens «Ofte stilte spørsmål» sies i stedet for FAQ.
Hvordan dagens modeller fremfører teksten, avgjøres av teksten og stemmen. Tegnsetting og setningsstruktur styrer rytmen, så skriv hver linje slik du vil ha den lest, og legg til <break> der du trenger en lengre pause enn tegnsettingen gir. Valg av stemme setter grunnkarakteren. For e-læringsfeedback kan det for eksempel bety en kort, enkel linje ved riktig svar, <prosody rate="slow"> ved hint, og et <break> før forklaringen.
Speechify AI Voice Generator vs. Speechify API: Hva bør du velge?
Her gir emosjonelle stemmer deg faktisk flere muligheter
Emosjonell tekst-til-tale er det manglende leddet i kreativt innhold. Én kjendislignende stemme for hele lydboken, en animert karakter som formidler både vitser og sorg, en podkastintro med riktig «punch» – dette fungerte ikke med flat tale. Nå gjør det det, fordi følelsen ligger i stemmen, ikke i en instruksjon i manuset. For skapere som allerede bruker kjendis- og karakterstemmer i Speechify, er emosjonelle stiler forskjellen på en stemme som bare ligner referansen, og en stemme som oppfører seg som den.
Bedrer emosjonell fremføring faktisk forståelsen?
Ja, og dette kan måles også utenfor AI-verdenen. I en studie fra 2022 med 11–13-åringer, og en replikasjon i 2025, fant forskerne Dylman og Champoux-Larsson at lyttere svarte riktigere på innholdsspørsmål når det samme faktainnholdet ble lest med en positiv emosjonell tone enn med en nøytral tone (Dylman et al., 2025). Gevinsten i forståelse var betydelig, og den gjaldt både umiddelbar og forsinket hukommelse. For undervisning, produktveiledninger og all lengre lyd med vekt på læring er en emosjonelt tilpasset stemme et reelt hjelpemiddel.
FAQ
Hva er tekst-til-tale med følelser?
Det er syntetisk tale med en valgt følelsestone – for eksempel cheerful eller sad – lagt oppå ordene, slik at én setning kan fremføres på mange måter. I AI Voice Generator i Speechify Studio velger du følelse per utvalg. Dagens modeller i Speechify API støtter ikke følelsesstiler.
Hvor mange følelser støtter Speechify API?
Ingen i dagens modeller: simba-3.2 og simba-3.0 støtter taggen <speechify:style>, men leser teksten uten stil. De tretten verdiene, fra Angry til Bright, støttes bare av de utgåtte Simba 1.6-modellene. AI Voice Generator i Speechify Studio har en egen følelsesvelger, se over.
Hvor styrer jeg følelser i AI Voice Generator?
I Speechify Studio. Når du har lagt inn manuset, vises en følelsesvelger ved siden av stemmevalget. Bruk den for hele klippet eller en valgt del, og lagre på nytt.
Kan jeg angi en følelse i Speechify API?
Ikke i dagens modeller. simba-3.2 og simba-3.0 godtar <speechify:style emotion="..."> og returnerer 200, men leser teksten uten stil. Form uttrykket gjennom teksten og stemmen du velger, og bruk taggene som faktisk støttes: <break>, <prosody rate> og <sub alias>. Se SSML-guiden.
Kan jeg kombinere følelser i én voiceover?
I Speechify Studio velges følelse per utvalg, så én voiceover kan skifte tone linje for linje. I dagens API-modeller brukes ikke følelsesstiler. Det du kan variere per del, er talehastighet med <prosody rate> og pauser med <break>.
Høres emosjonelle stemmer like naturlige ut som nøytrale?
Nesten identisk. Fagfellevurderte modeller for emosjonell tekst-til-tale scorer nå rundt 3,94/5,0 for uttrykk og 3,98/5,0 for naturlighet, noe som betyr at lytterne vurderer dem nesten likt på begge målene.
Bidrar emosjonell fremføring til bedre innholdshukommelse?
Forskning på mennesker tyder på det. Positiv prosodi forbedret gjenkalling av fakta i kontrollerte studier. Det samme gjelder godt styrte AI-voiceovers.
Kan jeg bruke emosjonelle stemmer kommersielt?
Speechify-lisensen dekker kommersiell bruk av genererte voiceovers, inkludert emosjonelle stiler. Sjekk abonnementet for eventuelle lengdebegrensninger.
Hvordan skiller dette seg fra bare å endre hastighet eller toneleie?
I Simba 1.6 endrer valg av følelsesstil all prosodi på én gang – inkludert pauser, trykk, intonasjonskurve og energi. Derfor høres en «angry»-versjon ikke bare ut som en raskere og lysere variant av den nøytrale. I dagens modeller er det bare hastigheten du kan justere: <prosody rate> fungerer, mens <prosody pitch> og følelsesstiler godtas, men ikke brukes.
