Bed en navigationsapp om at læse et gadenavn højt, og du hører tekst-til-tale i gang. Systemet tager skrevne tegn og producerer en bølgeform, som et menneske kan forstå. Tidlige versioner lød robotlignende, fordi de sammensatte optagede fragmenter. Moderne neurale systemer genererer lyden direkte, og kløften mellem syntetisk og menneskelig tale er blevet kraftigt mindre.

Pipelinen starter normalt med tekstnormalisering: udvidelse af "Dr." til "Drive" eller "doctor" afhængigt af kontekst, konvertering af tal og valuta til talte ord. Dernæst kommer sproglig analyse, som forudsiger udtale, betoning og intonation. Endelig omdanner en akustisk model og en vocoder disse funktioner til lyd.

Hvor det dukker op

• Skærmlæsere til blinde og svagtseende brugere
• Stemmeassistenter og smarte højttalere
• Lydbogsproduktion i stor skala
• Tilgængelighedsværktøjer for personer med talevanskeligheder

Kvaliteten varierer fra sprog til sprog. Engelsk og mandarin har enorme mængder af indspillede korpora; mange afrikanske og indfødte sprog har næsten ingen, så syntetiske stemmer til dem lyder stivnede eller findes simpelthen ikke. Stemmekloning tilføjer endnu et problem. En overbevisende kopi af en persons stemme kan misbruges til svindel, hvilket er grunden til, at nogle leverandører nu integrerer vandmærker eller kræver samtykkeoptagelser.