Modern TTS löste frågan om tydlighet för flera år sedan. Blizzard Challenge, ett årligt riktmärke som följt talteknik sedan 2005, rapporterade att syntetiskt tal år 2021 inte gick att skilja från naturligt tal när det gäller hörbarhet – och i praktiken var lika naturligt också (Perrotin et al., 2024). Forskningens fokus flyttades därför. Frågan blev inte längre går rösten att förstå utan låter rösten som att den menar det den säger. Speechify Studio svarar på det med emotionell text-till-tal ovanpå vanlig TTS. I utvecklar-API:et varierar det däremot mellan modellerna: dagens modeller använder inte emotionella stilar.
Emotionella stilar är en funktion i Simba 1.6
I API:et läggs emotionella stilar till med SSML-taggen <speechify:style>, och det är bara Simba 1.6-modellerna, simba-english och simba-multilingual, som använder den. De tretton värdena är Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct och Bright. Simba 1.6 fasas ut för nya workspaces, och från den 21 november 2026 levereras båda dess id:n av dagens modeller, som accepterar taggen men inte tillämpar den. Se Migrating off Simba 1.6.
Att använda känslor i Speechify AI Voice Generator
AI Voice Generator finns i Speechify Studio och är verktyget kreatörer använder för röster till voiceovers, marknadsföringsvideor, ljudböcker och poddavsnitt. Du klistrar in ditt manus, väljer en röst och lägger sedan på en emotionell stil på hela ljudklippet eller en vald del. Eftersom känslor kan sättas per markering kan ett och samma voiceover-klipp ha en Cheerful inledning, en Assertive pitch och ett Warm avslut – utan att du behöver byta röst.
Några konkreta exempel där detta är viktigt: marknadsföringsvideor som skapas i till exempel CapCut behöver ofta flera tonlägen, som uppmärksamhet, löfte och call-to-action. I stället för tre separata röster gör du ett voiceover-klipp där känslan skiftar rad för rad. Ljudböcker och dialog i skönlitteratur vinner ännu mer på det, eftersom karaktärer kan få egna känslolägen utan flera inläsare. För förklarande innehåll fungerar en enda Calm-röst bättre i ett tätare stycke än att försöka låta "engagerad" hela vägen.
Vad Speechify API stöder idag
I dagens modeller, simba-3.2 och simba-3.0, accepterar Speechify API <speechify:style> och returnerar 200, men läser upp texten utan stilen. Detsamma gäller <prosody pitch>, <prosody volume> och <emphasis>. Tre SSML-taggar används: <break> för pauser, <prosody rate> för hastighet och <sub alias> för uttal. I SSML-guiden ser du vad varje modell stöder.
Till exempel: <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> ger en halv sekunds paus innan den andra meningen läses långsammare och "Frequently Asked Questions" sägs i stället för FAQ.
Hur uppläsningen låter i dagens modeller styrs av texten och rösten. Skiljetecken och meningsbyggnad avgör fraseringen – skriv varje rad så som du vill att den ska låta, och lägg in en <break> om du vill ha en längre paus än vad skiljetecknen ger. Rösten du väljer sätter grundkaraktären. För till exempel e-learning kan det vara en kort, neutral fras vid rätt svar, <prosody rate="slow"> för en ledtråd och en <break> före förklaringen.
Speechify AI Voice Generator vs Speechify API: vad ska du välja?
När känsloladdade röster verkligen förändrar vad du kan skapa
Emotionell TTS är den saknade länken i kreativ ljudproduktion. En enda kändisröst genom en hel ljudbok, en animerad karaktär som både skämtar och visar sorg, ett poddintro med rätt känsla – inget av detta fungerade med platt syntes. Det fungerar nu eftersom känslan ligger i rösten, inte i instruktionerna i manuset. För kreatörer som redan använder Speechifys kändis- och karaktärsröster är emotionella stilar skillnaden mellan en röst som bara låter som referensen och en röst som också uttrycker sig på samma sätt.
Förbättrar känsloladdad inläsning förståelsen?
Ja, och det går att mäta även utanför AI-världen. I en studie från 2022 på 11–13-åringar och en replikation 2025 fann forskarna Dylman och Champoux-Larsson att fler innehållsfrågor besvarades rätt när samma faktainnehåll lästes med positiv emotionell prosodi jämfört med neutral ton (Dylman et al., 2025). Förbättringen var tydlig både vid direkt och fördröjd återgivning. I kunskapsmaterial, produkthandledningar och längre format där minnesvärde är viktigt hjälper en känslomässig röst faktiskt förståelsen.
FAQ
Vad är text-till-tal med känslor?
Det är syntetiskt tal där en vald känsla, till exempel cheerful eller sad, hörs i rösten utöver själva orden – så att samma mening kan framföras på olika sätt. I Speechify Studios AI Voice Generator väljer du känsla per markering. Dagens Speechify API-modeller använder inte emotionella stilar.
Hur många känslor stöder Speechify API?
De nuvarande modellerna stöder inga: simba-3.2 och simba-3.0 accepterar <speechify:style> men använder inte stilen. De tretton värdena, från Angry till Bright, användes bara i utfasade Simba 1.6. I AI Voice Generator i Speechify Studio finns en separat känsloväljare, som beskrivs ovan.
Var styr jag känsla i AI Voice Generator?
I Speechify Studio. När du har lagt in ditt manus visas en känsloväljare vid röstvalet. Använd den för hela klippet eller en vald del och rendera sedan om.
Kan jag sätta känsla i Speechify API?
Inte i dagens modeller. simba-3.2 och simba-3.0 accepterar <speechify:style emotion="..."> och returnerar 200, men läser upp utan stilen. Styr i stället uppläsningen med manus och röstval samt med taggar som stöds: <break>, <prosody rate> och <sub alias>. Se SSML-guiden.
Kan jag kombinera känslor i samma voiceover?
I Speechify Studio kan känslor appliceras per markering, så att en och samma voiceover kan byta ton rad för rad. I dagens API-modeller används inte emotionella stilar. Däremot kan du justera läshastigheten per span med <prosody rate> och lägga in pauser med <break>.
Låter känsloladdade röster lika naturliga som neutrala?
Nästan identiskt. Peer review-granskade TTS-modeller med känslor når i dag cirka 3,94/5,0 i uttrycksfullhet och 3,98/5,0 i naturlighet – lyssnarna bedömer dem nästan lika högt på båda punkterna.
Hjälper känsloladdad inläsning med att minnas innehållet?
Studier med mänskliga uppläsare visar att svaret är ja. Positiv prosodi förbättrade minnet för fakta i kontrollerade studier. Detsamma gäller välregisserade AI-voiceovers.
Kan jag använda känsloladdade röster för kommersiella voiceovers?
Licensen från Speechify täcker kommersiell användning av genererade voiceovers, inklusive känslolägen. Kontrollera din plan för eventuell längdgräns för output.
Hur skiljer detta sig från att bara justera hastighet eller tonhöjd?
I Simba 1.6 ändrar emotionella stilar prosodin som helhet: pauser, betoning, intonationskurva och energi. Därför låter en "angry" version inte bara snabbare och högre än en neutral. I dagens modeller är det bara hastigheten du kan styra: <prosody rate> används, medan <prosody pitch> och känslostilar godtas men inte tillämpas.
