Demandez à une application de navigation de lire le nom d'une rue à voix haute et vous entendrez la synthèse vocale à l'œuvre. Le système prend des caractères écrits et produit une forme d'onde compréhensible par l'humain. Les premières versions avaient une voix robotique car elles assemblaient des fragments enregistrés. Les systèmes neuronaux modernes génèrent directement l'audio, et l'écart entre la parole synthétique et la parole humaine s'est considérablement réduit.

Le processus commence généralement par la normalisation du texte : « Dr. » devient « Drive » ou « docteur » selon le contexte, et les nombres et les devises sont convertis en mots. Vient ensuite l’analyse linguistique, qui prédit la prononciation, l’accentuation et l’intonation. Enfin, un modèle acoustique et un vocodeur transforment ces caractéristiques en son.

Où il apparaît

• Lecteurs d'écran pour les utilisateurs aveugles et malvoyants
• Assistants vocaux et enceintes intelligentes
• Production de livres audio à grande échelle
• Outils d'accessibilité pour les personnes ayant des troubles de la parole

La qualité varie selon la langue. L'anglais et le mandarin disposent d'immenses corpus d'enregistrements ; de nombreuses langues africaines et autochtones n'en possèdent quasiment aucun, si bien que les voix de synthèse pour ces langues sonnent artificielles, voire sont tout simplement inexistantes. Le clonage vocal ajoute une source d'inquiétude supplémentaire. Une réplique convaincante de la voix d'une personne peut être utilisée à des fins frauduleuses, ce qui explique pourquoi certains fournisseurs intègrent désormais un marquage numérique ou exigent un enregistrement avec consentement.