Bir navigasyon uygulamasından sokak adını sesli okumasını istediğinizde, metinden sese dönüştürme teknolojisinin çalıştığını görürsünüz. Sistem, yazılı karakterleri alır ve bir insanın anlayabileceği bir dalga formu üretir. İlk sürümler, kaydedilmiş parçaları bir araya getirdikleri için robotik sesler çıkarıyordu. Modern sinir sistemleri sesi doğrudan üretir ve sentetik konuşma ile insan konuşması arasındaki fark önemli ölçüde azalmıştır.

İşlem hattı genellikle metin normalizasyonuyla başlar: "Dr." ifadesi bağlama bağlı olarak "Drive" veya "doctor" olarak genişletilir, sayılar ve para birimleri konuşulan kelimelere dönüştürülür. Ardından, telaffuzu, vurguyu ve tonlamayı tahmin eden dilbilimsel analiz gelir. Son olarak, bir akustik model ve bir vokoder bu özellikleri sese dönüştürür.

Nerede ortaya çıkıyor

• Görme engelli ve az gören kullanıcılar için ekran okuyucular
• Sesli asistanlar ve akıllı hoparlörler
• Büyük ölçekte sesli kitap üretimi
• Konuşma engelli kişiler için erişilebilirlik araçları

Kalite dile göre değişir. İngilizce ve Mandarin dilleri için çok büyük miktarda kayıtlı ses verisi bulunurken, birçok Afrika ve yerli dili için neredeyse hiç veri bulunmamaktadır; bu nedenle bu diller için üretilen sentetik sesler yapay veya hiç mevcut değildir. Ses klonlama ise ayrı bir endişe kaynağıdır. Bir kişinin sesinin ikna edici bir kopyası dolandırıcılık amacıyla kötüye kullanılabilir; bu nedenle bazı satıcılar artık filigran ekliyor veya onay kayıtları talep ediyor.