Poproś aplikację nawigacyjną o odczytanie nazwy ulicy na głos, a usłyszysz działanie syntezatora mowy. System odczytuje znaki pisane i generuje sygnał dźwiękowy zrozumiały dla człowieka. Wczesne wersje brzmiały jak roboty, ponieważ sklejały ze sobą nagrane fragmenty. Współczesne systemy neuronowe generują dźwięk bezpośrednio, a różnica między mową syntetyczną a ludzką znacznie się zmniejszyła.

Proces zazwyczaj zaczyna się od normalizacji tekstu: rozszerzając „Dr.” do „Drive” lub „doctor” w zależności od kontekstu, konwertując liczby i waluty na słowa mówione. Następnie następuje analiza lingwistyczna, która przewiduje wymowę, akcent i intonację. Na koniec model akustyczny i wokoder przekształcają te cechy w dźwięk.

Gdzie się pojawia

• Czytniki ekranu dla użytkowników niewidomych i słabowidzących
• Asystenci głosowi i inteligentne głośniki
• Produkcja audiobooków na dużą skalę
• Narzędzia ułatwiające dostęp osobom z wadami mowy

Jakość różni się w zależności od języka. Język angielski i mandaryński mają ogromne korpusy nagrań; wiele języków afrykańskich i rdzennych ma ich praktycznie żadnych, więc syntetyczne głosy dla nich brzmią sztucznie lub po prostu nie istnieją. Klonowanie głosu dodaje kolejny poziom obaw. Przekonująca replika głosu danej osoby może zostać wykorzystana do oszustwa, dlatego niektórzy dostawcy umieszczają teraz znaki wodne lub wymagają zgody na nagrania.