Mintalah aplikasi navigasi untuk membacakan nama jalan dengan lantang dan Anda akan mendengar cara kerja text-to-speech. Sistem ini mengambil karakter tertulis dan menghasilkan bentuk gelombang yang dapat dipahami manusia. Versi awal terdengar seperti robot karena menggabungkan fragmen rekaman. Sistem neural modern menghasilkan audio secara langsung, dan kesenjangan antara ucapan sintetis dan ucapan manusia telah menyempit tajam.

Proses ini biasanya dimulai dengan normalisasi teks: memperluas "Dr." menjadi "Drive" atau "doctor" tergantung pada konteksnya, mengubah angka dan mata uang menjadi kata-kata yang diucapkan. Selanjutnya adalah analisis linguistik, yang memprediksi pengucapan, tekanan, dan intonasi. Terakhir, model akustik dan vocoder mengubah fitur-fitur tersebut menjadi suara.

Di mana itu muncul

• Pembaca layar untuk pengguna tunanetra dan yang memiliki gangguan penglihatan
• Asisten suara dan speaker pintar
• Produksi buku audio dalam skala besar
• Alat bantu aksesibilitas untuk penyandang gangguan bicara

Kualitas bervariasi tergantung bahasa. Bahasa Inggris dan Mandarin memiliki korpus rekaman yang sangat besar; banyak bahasa Afrika dan bahasa asli hampir tidak memiliki korpus rekaman sama sekali, sehingga suara sintetis untuk bahasa-bahasa tersebut terdengar kaku atau bahkan tidak ada. Pengkloningan suara menambah lapisan kekhawatiran lain. Replika suara seseorang yang meyakinkan dapat disalahgunakan untuk penipuan, itulah sebabnya beberapa vendor sekarang menyematkan tanda air (watermark) atau memerlukan rekaman persetujuan.