내비게이션 앱에 도로명을 읽어달라고 요청하면 텍스트 음성 변환(TTS) 기술이 작동하는 것을 들을 수 있습니다. 이 시스템은 입력된 문자를 사람이 이해할 수 있는 파형으로 변환합니다. 초기 버전은 녹음된 조각들을 이어 붙여 로봇 같은 소리를 냈지만, 최신 신경망 시스템은 오디오를 직접 생성하기 때문에 합성 음성과 사람의 음성 간의 차이가 크게 줄어들었습니다.

일반적으로 파이프라인은 텍스트 정규화로 시작합니다. 예를 들어 문맥에 따라 "Dr."를 "Drive" 또는 "doctor"로 확장하고, 숫자와 통화를 음성 단어로 변환합니다. 다음으로 발음, 강세, 억양을 예측하는 언어 분석이 이루어집니다. 마지막으로 음향 모델과 보코더가 이러한 특징들을 소리로 변환합니다.

어디에 나타나는지

• 시각장애인 및 저시력 사용자를 위한 화면 낭독기
• 음성 비서와 스마트 스피커
• 대규모 오디오북 제작
• 언어 장애가 있는 사람들을 위한 접근성 도구

음성 품질은 언어별로 차이가 있습니다. 영어와 중국어는 방대한 녹음 자료를 보유하고 있지만, 많은 아프리카 언어와 토착 언어는 자료가 거의 없어 합성 음성이 부자연스럽거나 아예 존재하지 않는 경우가 많습니다. 음성 복제는 또 다른 문제점을 야기합니다. 사람의 목소리를 정교하게 복제하면 사기 행위에 악용될 수 있기 때문에 일부 업체는 워터마크를 삽입하거나 동의를 얻어 녹음하는 방식을 도입하고 있습니다.