Попросите навигационное приложение прочитать название улицы вслух, и вы услышите работу системы преобразования текста в речь. Система берет написанные символы и создает звуковую волну, понятную человеку. Ранние версии звучали роботизированно, потому что они сшивали воедино записанные фрагменты. Современные нейронные системы генерируют звук напрямую, и разрыв между синтетической и человеческой речью резко сократился.

Процесс обработки текста обычно начинается с нормализации: в зависимости от контекста слово "Dr." расшифровывается как "Drive" или "doctor", а числа и валюта преобразуются в произнесенные слова. Затем следует лингвистический анализ, который предсказывает произношение, ударение и интонацию. Наконец, акустическая модель и вокодер преобразуют эти характеристики в звук.

Где это проявляется

• Программы для чтения с экрана для слепых и слабовидящих пользователей
• Голосовые помощники и умные колонки
• массовое производство аудиокниг
• Инструменты обеспечения доступности для людей с нарушениями речи

Качество записи голоса варьируется в зависимости от языка. Для английского и китайского языков существует огромное количество записанных корпусов; для многих африканских и коренных языков их практически нет, поэтому синтезированные голоса для них звучат неестественно или просто отсутствуют. Клонирование голоса добавляет еще один аспект, вызывающий опасения. Убедительная копия человеческого голоса может быть использована в мошеннических целях, поэтому некоторые поставщики теперь добавляют водяные знаки или требуют записи с согласия говорящего.