Hãy yêu cầu một ứng dụng điều hướng đọc to tên đường và bạn sẽ nghe thấy công nghệ chuyển văn bản thành giọng nói hoạt động. Hệ thống này lấy các ký tự viết và tạo ra dạng sóng mà con người có thể hiểu được. Các phiên bản đầu tiên nghe giống robot vì chúng ghép nối các đoạn ghi âm lại với nhau. Các hệ thống thần kinh hiện đại tạo ra âm thanh trực tiếp, và khoảng cách giữa giọng nói tổng hợp và giọng nói của con người đã thu hẹp đáng kể.

Quy trình thường bắt đầu bằng việc chuẩn hóa văn bản: mở rộng "Dr." thành "Drive" hoặc "doctor" tùy thuộc vào ngữ cảnh, chuyển đổi số và tiền tệ thành từ ngữ nói. Tiếp theo là phân tích ngôn ngữ, dự đoán cách phát âm, trọng âm và ngữ điệu. Cuối cùng, một mô hình âm thanh và một bộ mã hóa giọng nói sẽ chuyển đổi các đặc điểm đó thành âm thanh.

Nơi nó xuất hiện

• Phần mềm đọc màn hình dành cho người mù và người có thị lực kém
• Trợ lý giọng nói và loa thông minh
• Sản xuất sách nói quy mô lớn
• Công cụ hỗ trợ tiếp cận dành cho người có khiếm khuyết về khả năng nói

Chất lượng giọng nói tổng hợp thay đổi tùy thuộc vào ngôn ngữ. Tiếng Anh và tiếng Quan thoại có kho dữ liệu ghi âm khổng lồ; nhiều ngôn ngữ châu Phi và ngôn ngữ bản địa hầu như không có, vì vậy giọng nói tổng hợp cho các ngôn ngữ này nghe gượng gạo hoặc đơn giản là không tồn tại. Việc sao chép giọng nói lại càng làm tăng thêm mối lo ngại. Một bản sao giọng nói giống hệt giọng của một người có thể bị lạm dụng để gian lận, đó là lý do tại sao một số nhà cung cấp hiện nay nhúng hình mờ hoặc yêu cầu ghi âm có sự đồng ý.