Si le pides a una aplicación de navegación que lea en voz alta el nombre de una calle, verás cómo funciona la conversión de texto a voz. El sistema toma caracteres escritos y produce una forma de onda que un humano puede entender. Las primeras versiones sonaban robóticas porque unían fragmentos grabados. Los sistemas neuronales modernos generan el audio directamente, y la diferencia entre el habla sintética y la humana se ha reducido drásticamente.

El proceso suele comenzar con la normalización del texto: se expande "Dr." a "Drive" o "doctor" según el contexto, y se convierten números y monedas en palabras habladas. A continuación, se realiza un análisis lingüístico que predice la pronunciación, el acento y la entonación. Finalmente, un modelo acústico y un vocoder transforman esas características en sonido.

Dónde aparece

• Lectores de pantalla para usuarios ciegos y con baja visión
• Asistentes de voz y altavoces inteligentes
• Producción de audiolibros a gran escala
• Herramientas de accesibilidad para personas con discapacidades del habla.

La calidad varía según el idioma. El inglés y el mandarín cuentan con enormes corpus grabados; muchos idiomas africanos e indígenas prácticamente carecen de ellos, por lo que las voces sintéticas suenan forzadas o simplemente no existen. La clonación de voz añade otra preocupación. Una réplica convincente de la voz de una persona puede utilizarse indebidamente para cometer fraude, razón por la cual algunos proveedores ahora incluyen marcas de agua o exigen grabaciones con consentimiento.