¿Qué es la síntesis de voz?
El reconocimiento de voz convierte sonido en texto; la síntesis de voz (TTS) lo hace al revés. Le pasas texto y te devuelve voz con sonido natural. La voz de la navegación de tu móvil, los audiolibros y el servicio al cliente de IA suele ser TTS hablando.¿Cómo produce sonido?
El método viejo: encajar bloquesLos primeros sistemas cosían sílabas y palabras grabadas como piezas de construcción. Funcionaba, pero sonaba rígido, claramente una máquina.
El método nuevo: generación de extremo a extremo
Las redes neuronales modernas generan la onda de sonido directamente desde el texto, sin coser nada. El modelo lee el texto, predice tono, ritmo y pausas, y sintetiza un discurso continuo.
¿Cómo se logra lo «natural»?
ProsodiaLos humanos hablamos con subidas y bajadas. Un buen TTS lee la puntuación y el sentido para decidir dónde pausar y dónde enfatizar.
Clonación de voz
Pásale una grabación y el modelo puede imitar la voz de esa persona. Eso es la clonación de voz, y también la fuente del audio deepfake.
Emoción
Cada vez más modelos leen con alegría, sorpresa o seriedad, en lugar de un tono plano.
¿Dónde aparece?
Contenido habladoArtículos y libros electrónicos leídos en voz alta.
Accesibilidad
Los lectores de pantalla dan acceso al texto a personas con discapacidad visual.
Asistentes de voz
La voz que te responde la genera el TTS.
¿Cuál es el riesgo?
La clonación de voz facilita fingir que alguien habló, y ya lo usan los estafadores. Por eso cada vez más plataformas marcan las voces sintéticas con «marcas de agua» o exigen declararlo.En resumen: la síntesis de voz lleva a las máquinas de leer a hablar de verdad.
Comentarios