Be en navigasjonsapp om å lese et gatenavn høyt, og du hører tekst-til-tale i praksis. Systemet tar skrevne tegn og produserer en bølgeform et menneske kan forstå. Tidlige versjoner hørtes robotaktige ut fordi de sydde sammen innspilte fragmenter. Moderne nevrale systemer genererer lyden direkte, og gapet mellom syntetisk og menneskelig tale har blitt kraftig mindre.

Pipeline-prosessen starter vanligvis med tekstnormalisering: utvidelse av «Dr.» til «Drive» eller «doctor» avhengig av kontekst, konvertering av tall og valuta til talte ord. Deretter kommer språklig analyse, som forutsier uttale, stress og intonasjon. Til slutt gjør en akustisk modell og en vokoder disse trekkene om til lyd.

Hvor den dukker opp

• Skjermlesere for blinde og svaksynte brukere
• Stemmeassistenter og smarte høyttalere
• Lydbokproduksjon i stor skala
• Tilgjengelighetsverktøy for personer med talevansker

Kvaliteten varierer fra språk til språk. Engelsk og mandarin har enorme innspilte korpus; mange afrikanske og urfolksspråk har nesten ingen, så syntetiske stemmer for dem høres stivnede ut eller finnes rett og slett ikke. Stemmekloning gir et ekstra lag med bekymring. En overbevisende kopi av en persons stemme kan misbrukes til svindel, og det er derfor noen leverandører nå bygger inn vannmerking eller krever samtykkeopptak.