Kérj meg egy navigációs alkalmazást, hogy olvassa fel hangosan az utcanevet, és máris a szövegfelolvasó rendszer működik. A rendszer az írott karakterekből egy olyan hullámformát hoz létre, amelyet az ember is megért. A korai verziók robotikus hangzásúak voltak, mert rögzített töredékeket fűztek össze. A modern neurális rendszerek közvetlenül generálják a hangot, és a szintetikus és az emberi beszéd közötti különbség jelentősen csökkent.

A folyamat általában a szöveg normalizálásával kezdődik: a „Dr.” szót a kontextustól függően „Drive”-ra vagy „doctor”-ra bővítik, a számokat és a pénznemeket pedig beszélt szavakká alakítják. Ezután jön a nyelvi elemzés, amely megjósolja a kiejtést, a hangsúlyt és az intonációt. Végül egy akusztikus modell és egy vokóder ezeket a jellemzőket hanggá alakítja.

Hol jelenik meg

• Képernyőolvasók vakok és gyengénlátók számára
• Hangasszisztensek és okoshangszórók
• Hangoskönyv gyártás nagy léptékben
• Akadálymentesítési eszközök beszédfogyatékossággal élők számára

A minőség nyelvenként változó. Az angol és a mandarin nyelvnek hatalmas felvett korpusza van; sok afrikai és őshonos nyelvnek szinte egyáltalán nincs, így a szintetikus hangok ezekhez a nyelvekhez mesterkéltnek hangzanak, vagy egyszerűen nem léteznek. A hangklónozás további aggodalomra ad okot. Egy személy hangjának meggyőző másolata csalásra használható fel, ezért egyes szolgáltatók most vízjelet ágyaznak be, vagy hozzájáruláson alapuló felvételeket írnak elő.