El texto a voz (TTS) es una tecnología que convierte el texto de una interfaz digital en habla audible de sonido natural. También se le llama tecnología de «lectura en voz alta», voz generada por ordenador o síntesis de voz. La mayoría de las empresas ofrecen el TTS como una interfaz de programación (API).
Los sistemas de texto a voz nacieron como tecnología de apoyo para que los servicios fueran más accesibles a personas con discapacidad visual o dificultades de aprendizaje, como la dislexia. Hoy, los generadores de voz con IA permiten simular mejor el habla humana y abren nuevos usos: atender llamadas de servicio al cliente, pódcast generados con IA, locuciones y narración de audiolibros.
La evolución de la tecnología de texto a voz
Los primeros sintetizadores eléctricos de voz aparecieron hacia la década de 1930, y eran limitados y complejos de manejar.
Con la llegada de los ordenadores, a finales de la década de 1950 se empezaron a desarrollar algoritmos que accedían a grandes bases de archivos de audio como fuente de sonidos. Identificaban coincidencias fonéticas para unidades de texto y ensamblaban elementos del habla. Al principio el sonido era robótico, pero al mejorar el modelado del lenguaje, también mejoraron los algoritmos.
Cuando surgieron el aprendizaje profundo y las redes neuronales en la década de 2000, se empezaron a modelar las ondas sonoras directamente a partir de grabaciones, con voces de alta calidad y más realistas. A la vez, mejoraron el reconocimiento de voz y el procesamiento del lenguaje natural, y la IA conversacional se apoyó en integrar voz a texto con texto a voz.
Aunque la IA y el aprendizaje automático facilitan generar habla natural, también han traído nuevas controversias, como los deepfakes. Las empresas tecnológicas trabajan en sistemas de análisis de audio en tiempo real para detectar deepfakes de audio.
¿Cómo funciona el texto a voz?
Las técnicas de aprendizaje profundo permiten a los modelos de síntesis analizar más datos y entender mejor la relación entre las palabras y sus características acústicas, y eso hace que la voz suene más natural. La conversión es un proceso de varios pasos con dos componentes principales: el análisis lingüístico y la síntesis de voz.
Análisis lingüístico
Las redes neuronales profundas del modelo se entrenan con conjuntos de audio y sus transcripciones, sobre todo en inglés y a veces en otros idiomas, para entender cómo las palabras se corresponden con el habla, además de acentos, tono, volumen, entonación y ritmo. Al recibir un texto, el modelo analiza las palabras, la puntuación y la estructura de las frases. Puede expandir abreviaturas, calcular la duración de las palabras, decidir la pronunciación adecuada y trazar la entonación y el ritmo.
Generación de voz
Tras analizar el texto, el modelo lo convierte en audio en dos pasos:
- Paso 1: convierte el texto en características alineadas en el tiempo, como un espectrograma que describe las variaciones de frecuencia, capturando detalles del habla, la pronunciación según el contexto, el acento y el tiempo de las palabras.
- Paso 2: un vocoder convierte esas características en ondas sonoras, que el ordenador transforma en habla natural. Algunos modelos permiten ajustar volumen, tono y velocidad, y elegir idioma, acento y estilo.
Muchos dispositivos, como los teléfonos, incluyen sistemas de texto a voz integrados. También existe como software, extensión de navegador, herramienta web o aplicación descargable.
Usos del texto a voz
Se creó como medio de accesibilidad, para que personas con discapacidad visual o dificultades de lectura interactuaran con el texto a través de ordenadores y otros dispositivos; Stephen Hawking, por ejemplo, usó una versión de esta tecnología. Hoy se aplica sobre todo donde leer a mano no es práctico o se ahorra tiempo de un operador humano:
- Contenido de audio: leer en voz alta textos, libros, lecciones, manuales e instrucciones para el e-learning y la formación en línea; los medios pueden convertir sus artículos en audio.
- Educación: ayuda a los estudiantes a concentrarse y seguir el texto, asociar palabras con su pronunciación, mejorar la comprensión lectora y revisar sus propios escritos en voz alta; también apoya a quienes tienen discapacidad visual o dislexia.
- Chatbots y asistentes virtuales: Siri o Cortana combinan texto a voz y voz a texto para entender peticiones y conversar con naturalidad, anunciar notificaciones y leer mensajes mientras se conduce, y hacen más natural la atención al cliente.
- Navegación: los GPS dan indicaciones en tiempo real; antes usaban voces grabadas y órdenes genéricas, y hoy pueden decir el nombre exacto de la calle.
- Comunicación multilingüe y aprendizaje de idiomas: apps como Google Translate traducen audio de un idioma a otro, útil para doblar vídeos, y ayudan a los estudiantes a oír la pronunciación natural.
- Medios y entretenimiento: reduce costes con comentarios y narración de videojuegos y voces de personajes; algunos estudios colaboran con actores de doblaje para pulir las voces de IA.
- Salud: las organizaciones sanitarias ofrecen versiones en audio de sus contenidos y usan interfaces de voz para recordar citas o avisar de novedades, algo importante para pacientes con discapacidad visual, trastornos del habla, movilidad limitada o dificultades de aprendizaje.
Ahora que dominas los fundamentos de este mundo apasionante, es hora de ponerlos en práctica.
¿Listo para convertir tus palabras en una voz que cautive?
Moknah hoy
Moknah convierte texto en voz natural en más de 130 idiomas, con unas 600 voces en dos motores: Standard, con emociones y dialectos, y Advanced, que diriges describiendo la interpretación con palabras. Para árabe hay tres procesadores de texto: Básico, Tashkeel y AI Poet. Puedes probar estas tecnologías en Moknah: Text to Speech en más de 130 idiomas, Dubbing y Voice Cloning.
Empieza hoy tu viaje por el mundo del contenido de audio.
Prueba Moknah gratis, sin tarjeta: escribe tu texto, elige una voz y escucha el resultado en segundos. Consulta los planes en la página de precios.
Fuente: IBM.COM
¿Listo para dar voz a tus textos? Descubre los planes de Moknah