किसी नेविगेशन ऐप से सड़क का नाम ज़ोर से पढ़ने को कहें और आपको टेक्स्ट-टू-स्पीच तकनीक काम करती हुई सुनाई देगी। यह सिस्टम लिखित अक्षरों को लेकर एक ऐसी तरंग उत्पन्न करता है जिसे मनुष्य समझ सकता है। शुरुआती संस्करणों की आवाज़ रोबोट जैसी लगती थी क्योंकि वे रिकॉर्ड किए गए टुकड़ों को जोड़कर बनाते थे। आधुनिक तंत्रिका तंत्र सीधे ऑडियो उत्पन्न करते हैं, और कृत्रिम और मानवीय भाषण के बीच का अंतर काफी कम हो गया है।

प्रक्रिया आम तौर पर पाठ मानकीकरण से शुरू होती है: संदर्भ के आधार पर "डॉ." को "ड्राइव" या "डॉक्टर" में विस्तारित करना, संख्याओं और मुद्रा को बोले जाने वाले शब्दों में बदलना। इसके बाद भाषाई विश्लेषण आता है, जो उच्चारण, तनाव और स्वर-लहर का अनुमान लगाता है। अंत में, एक ध्वनिक मॉडल और एक वोकोडर इन विशेषताओं को ध्वनि में परिवर्तित करते हैं।

जहां यह दिखाई देता है

• दृष्टिबाधित और कम दृष्टि वाले उपयोगकर्ताओं के लिए स्क्रीन रीडर
• वॉइस असिस्टेंट और स्मार्ट स्पीकर
• बड़े पैमाने पर ऑडियोबुक उत्पादन
• वाक् दोष से ग्रस्त लोगों के लिए सुलभता उपकरण

भाषा के अनुसार गुणवत्ता भिन्न होती है। अंग्रेज़ी और मंदारिन भाषाओं के लिए विशाल रिकॉर्डेड संग्रह उपलब्ध हैं; जबकि कई अफ्रीकी और स्वदेशी भाषाओं के लिए लगभग न के बराबर ही संग्रह हैं, इसलिए उनके लिए कृत्रिम आवाज़ें बनावटी लगती हैं या फिर उपलब्ध ही नहीं हैं। आवाज़ की क्लोनिंग एक और चिंता का विषय है। किसी व्यक्ति की आवाज़ की हूबहू नकल का दुरुपयोग धोखाधड़ी के लिए किया जा सकता है, यही कारण है कि कुछ विक्रेता अब वॉटरमार्किंग का उपयोग करते हैं या सहमति से रिकॉर्डिंग की मांग करते हैं।