Peça a uma aplicação de navegação para ler o nome de uma rua em voz alta e ouvirá a tecnologia de conversão de texto em voz em ação. O sistema recebe caracteres escritos e produz uma forma de onda que um ser humano consegue compreender. As primeiras versões soavam robóticas porque juntavam fragmentos gravados. Os sistemas neurais modernos geram o áudio diretamente, e a diferença entre a fala sintética e a humana diminuiu drasticamente.

O processo começa geralmente com a normalização do texto: expandindo "Dr." para "Drive" ou "doctor" dependendo do contexto, convertendo números e valores monetários em palavras faladas. Segue-se a análise linguística, que prevê a pronúncia, a ênfase e a entoação. Por fim, um modelo acústico e um vocoder transformam estas características em som.

Onde aparece

• Leitores de ecrã para utilizadores cegos e com baixa visão
• Assistentes de voz e colunas inteligentes
• Produção de audiolivros em grande escala
• Ferramentas de acessibilidade para pessoas com dificuldades na fala

A qualidade varia consoante o idioma. O inglês e o mandarim possuem enormes conjuntos de gravações; muitas línguas africanas e indígenas quase não têm nenhuma, pelo que as vozes sintéticas para estas línguas soam artificiais ou simplesmente não existem. A clonagem de voz acrescenta outra camada de preocupação. Uma réplica convincente da voz de uma pessoa pode ser utilizada indevidamente para fraudes, e é por isso que alguns fornecedores incluem agora marcas de água ou exigem gravações com consentimento.