Be en navigationsapp att läsa ett gatunamn högt så hör du text-till-tal igång. Systemet tar skrivna tecken och producerar en vågform som en människa kan förstå. Tidiga versioner lät robotliknande eftersom de sydde ihop inspelade fragment. Moderna neurala system genererar ljudet direkt, och gapet mellan syntetiskt och mänskligt tal har minskat kraftigt.

Processen börjar vanligtvis med textnormalisering: utökning av "Dr." till "Drive" eller "doktor" beroende på sammanhang, omvandling av siffror och valuta till talade ord. Därefter kommer språklig analys, som förutsäger uttal, betoning och intonation. Slutligen omvandlar en akustisk modell och en vocoder dessa funktioner till ljud.

Var det dyker upp

• Skärmläsare för blinda och synskadade användare
• Röstassistenter och smarta högtalare
• Ljudboksproduktion i stor skala
• Tillgänglighetsverktyg för personer med talnedsättning

Kvaliteten varierar beroende på språk. Engelska och mandarin har enorma inspelade korpusar; många afrikanska och inhemska språk har nästan inga, så syntetiska röster för dem låter stela eller existerar helt enkelt inte. Röstkloning ger ytterligare en oro. En övertygande kopia av en persons röst kan missbrukas för bedrägerier, vilket är anledningen till att vissa leverantörer nu bäddar in vattenstämplar eller kräver samtyckesinspelningar.