Texto a voz
La tecnología que lee en voz alta un texto escrito, con una voz sintética.
El texto a voz, o TTS (text-to-speech), convierte texto escrito en audio hablado. Es la voz del GPS, el lector de pantalla que le permite a una persona ciega usar el celular, el narrador de algunos audiolibros y la respuesta de un asistente de voz.
Los primeros sistemas sonaban a robot o pegaban pedacitos grabados de una persona real, y por eso tenían ese ritmo entrecortado, medio raro. Los actuales son redes neuronales entrenadas con muchas horas de voz grabada, y pueden sonar sorprendentemente naturales: pausas, entonación, hasta una sonrisa en la voz. Quien programa puede ajustar la pronunciación y el ritmo con un lenguaje de marcas que se llama SSML. En AWS, el servicio es Amazon Polly.
El mismo avance tiene un lado oscuro. Algunos modelos modernos pueden imitar la voz de una persona puntual a partir de una grabación corta: útil para alguien que está perdiendo el habla, y peligroso en manos de estafadores que falsifican la voz de un familiar por teléfono. Por eso las funciones de clonar voces suelen pedir el consentimiento de quien es dueño de esa voz.
Para quedarse
- Convierte texto escrito en audio hablado.
- Está detrás de los lectores de pantalla, el GPS y los asistentes de voz.
- El TTS neuronal suena mucho más natural que los sistemas viejos.
- La clonación de voces vuelve reales los temas de consentimiento y fraude.
