Požádejte navigační aplikaci, aby nahlas přečetla název ulice, a uslyšíte v praxi převod textu na řeč. Systém bere psané znaky a vytváří průběh, kterému člověk rozumí. Dřívější verze zněly roboticky, protože spojovaly nahrané fragmenty. Moderní neuronové systémy generují zvuk přímo a rozdíl mezi syntetickou a lidskou řečí se výrazně zmenšil.

Proces obvykle začíná normalizací textu: rozšířením „Dr.“ na „Drive“ nebo „doctor“ v závislosti na kontextu, převodem čísel a měny na mluvená slova. Následuje lingvistická analýza, která předpovídá výslovnost, přízvuk a intonaci. Nakonec akustický model a vokodér převedou tyto prvky na zvuk.

Kde se to objeví

• Čtečky obrazovky pro nevidomé a slabozraké uživatele
• Hlasoví asistenti a chytré reproduktory
• Produkce audioknih ve velkém měřítku
• Nástroje pro usnadnění přístupu pro osoby s poruchami řeči

Kvalita se liší podle jazyka. Angličtina a mandarínština mají obrovské množství nahraných korpusů; mnoho afrických a domorodých jazyků téměř žádné nemá, takže syntetické hlasy pro ně zní uměle nebo prostě neexistují. Klonování hlasu přidává další vrstvu obav. Přesvědčivá replika hlasu osoby může být zneužita k podvodům, a proto někteří prodejci nyní vkládají vodoznaky nebo vyžadují nahrávky se souhlasem.