Cereți unei aplicații de navigare să citească cu voce tare numele unei străzi și veți auzi funcția de text-vorbire în funcțiune. Sistemul preia caractere scrise și produce o formă de undă pe care o poate înțelege un om. Versiunile anterioare sunau robotic deoarece îmbinau fragmente înregistrate. Sistemele neuronale moderne generează direct sunetul, iar decalajul dintre vorbirea sintetică și cea umană s-a redus drastic.

Procesul începe de obicei cu normalizarea textului: extinderea lui „Dr.” în „Drive” sau „doctor” în funcție de context, convertirea numerelor și a valutei în cuvinte rostite. Urmează analiza lingvistică, care prezice pronunția, accentul și intonația. În cele din urmă, un model acustic și un vocoder transformă aceste caracteristici în sunet.

Unde apare

• Cititoare de ecran pentru utilizatorii nevăzători și cu deficiențe de vedere
• Asistenți vocali și difuzoare inteligente
• Producție de cărți audio la scară largă
• Instrumente de accesibilitate pentru persoanele cu deficiențe de vorbire

Calitatea variază în funcție de limbă. Engleza și mandarina au corpusuri enorme de înregistrări; multe limbi africane și indigene aproape că nu au niciunul, așa că vocile sintetice pentru ele sună artificial sau pur și simplu nu există. Clonarea vocii adaugă un alt nivel de îngrijorare. O replică convingătoare a vocii unei persoane poate fi utilizată în mod abuziv în scopuri frauduloase, motiv pentru care unii furnizori încorporează acum filigrane sau solicită înregistrări ale consimțământului.