Texto a voz (TTS)

El texto a voz (text-to-speech, TTS) convierte un texto escrito en audio hablado. Es lo que usan los lectores de pantalla para personas con discapacidad visual, los navegadores GPS, los asistentes de voz y los audiolibros generados.

Los sistemas antiguos pegaban fragmentos grabados o usaban reglas, y sonaban robóticos. El salto llegó con las redes neuronales: en 2016 DeepMind presentó WaveNet, que generaba la onda de audio muestra por muestra y redujo mucho la distancia con la voz humana. Hoy el proceso típico tiene dos pasos: un modelo analiza el texto y predice cómo debe sonar (pronunciación, pausas, entonación) y otro genera el audio. Los sistemas más recientes pueden controlar emociones, cambiar de idioma o hablar en tiempo real dentro de una conversación.

Retos que siguen vigentes: pronunciar bien nombres propios, siglas y palabras en otras lenguas (piensa en «Xochimilco» o «CURP»), manejar acentos regionales y expresar la intención correcta en frases ambiguas.

Es el proceso inverso del reconocimiento de voz. Y está muy cerca de la clonación de voz: cuando un TTS imita la voz de una persona concreta con pocas muestras, aparecen riesgos de fraude y suplantación, por lo que conviene usar solo voces con licencia o con consentimiento explícito.