Speech synthesis: fu­n­da­me­n­tos y áreas de apli­ca­ción

La speech synthesis o la síntesis de voz convierte textos en palabras habladas mediante una voz simulada. Para ello, la síntesis de voz emplea al­go­ri­t­mos complejos. Sus ventajas incluyen una mejor ac­ce­si­bi­li­dad, mayor difusión de la in­fo­r­ma­ción, una ex­pe­rie­n­cia de usuario pe­r­so­na­li­za­da y una in­ter­ac­ción más eficiente.

¿Qué se entiende por speech synthesis?

La síntesis de voz, también llamada speech synthesis o Text-to-Speech (TTS), es una te­c­no­lo­gía que convierte textos escritos en una voz sintética y realista. Esta te­c­no­lo­gía utiliza segmentos de voz al­ma­ce­na­dos para generar una voz ar­ti­fi­cial que reproduce el texto como señales acústicas de la manera más natural posible. Mientras que las te­c­no­lo­gías TTS an­te­rio­res si­m­ple­me­n­te unían cadenas de palabras o frases pre­de­fi­ni­das, las te­c­no­lo­gías modernas de síntesis de voz logran matices li­n­güí­s­ti­cos y mo­du­la­cio­nes que crean co­m­bi­na­cio­nes in­te­li­ge­n­tes de segmentos de voz para generar contenido original.

La síntesis de voz es ideal para tra­n­s­mi­tir textos, noticias e in­fo­r­ma­ción de manera eficaz sin la necesidad de locutores humanos, op­ti­mi­za­n­do la co­mu­ni­ca­ción, ac­ce­si­bi­li­dad y alcance. Por esta razón, la síntesis de voz se usa en diversas in­du­s­trias y con di­fe­re­n­tes pro­pó­si­tos, tanto co­me­r­cia­les como edu­ca­ti­vos, de servicio o de na­ve­ga­ción.

¿Cómo funciona la speech synthesis?

El proceso de la speech synthesis comienza con la entrada de co­n­te­ni­dos escritos, como mensajes, textos, in­fo­r­ma­ción pu­bli­ci­ta­ria o correos ele­c­tró­ni­cos. La te­c­no­lo­gía convierte el texto en voz simulada y natural, uti­li­za­n­do di­fe­re­n­tes al­go­ri­t­mos, señales de voz al­ma­ce­na­das o incluso neural networks, in­te­li­ge­n­cia ar­ti­fi­cial y machine learning. Puede generar una voz ar­ti­fi­cial o simular una voz grabada. Para lograr una salida lo más natural posible, se ajustan el tono, la en­to­na­ción y el estilo de habla a las ca­ra­c­te­rí­s­ti­cas del habla humana.

En los primeros días de la síntesis de voz, se uti­li­za­ban pri­n­ci­pa­l­me­n­te palabras y frases pre­gra­ba­das que se en­sa­m­bla­ban, lo que generaba las típicas voces robóticas. Hoy en día, el software TTS puede acceder a grandes bases de datos de señales y segmentos de voz para generar una síntesis de voz más flexible y natural, incluso con textos de­s­co­no­ci­dos.

Se emplean te­c­no­lo­gías adi­cio­na­les como modelos acústicos, síntesis de formantes, síntesis ar­ti­cu­la­to­ria y overlap add para de­s­co­m­po­ner el texto en señales de audio y si­n­te­ti­zar se­cue­n­cias de palabras habladas, velocidad de habla, prosodia e en­to­na­ción de la manera más natural posible.

¿Dónde se utiliza la síntesis de voz?

Las apli­ca­cio­nes de la síntesis de voz son diversas y amplias. Entre ellas se incluyen:

• Te­c­no­lo­gías ac­ce­si­bles: el software de síntesis de voz permite que las personas con di­s­ca­pa­ci­da­des visuales escuchen el contenido de la pantalla. Los lectores de pantalla permiten a los usuarios ciegos o con baja visión acceder a la in­fo­r­ma­ción, realizar tra­du­c­cio­nes o recibir la salida de texto en líneas Braille.
• Educación y formación: el software de síntesis de voz permite acceder y di­s­tri­buir de manera eficiente tra­n­s­cri­p­cio­nes de co­n­fe­re­n­cias, ma­te­ria­les di­dá­c­ti­cos o pre­se­n­ta­cio­nes. Además, autores o editores pueden usar TTS para revisar textos en busca de errores o comprobar su le­gi­bi­li­dad.
• Pro­du­c­ción de podcasts, au­dio­blo­gs y au­dio­li­bros: la síntesis de voz facilita la creación rápida y económica de contenido de audio para formatos populares como podcasts, au­dio­blo­gs o au­dio­li­bros. En lugar de buscar locutores, se pueden crear co­n­te­ni­dos de audio pro­fe­sio­na­les de manera económica y de alta calidad mediante TTS y di­s­tri­bui­r­los en formato MP3 o como formatos de streaming.
• Anuncios te­le­fó­ni­cos y atención al cliente: la síntesis de voz es útil para sistemas de anuncios au­to­má­ti­cos por teléfono o altavoz o para servicios de atención al cliente, pe­r­mi­tie­n­do un apoyo eficiente para los clientes, así como una rápida gestión de consultas.
• Sistemas de na­ve­ga­ción: la síntesis de voz desempeña un papel im­po­r­ta­n­te en los sistemas de na­ve­ga­ción y se utiliza en di­s­po­si­ti­vos GPS y apli­ca­cio­nes de na­ve­ga­ción. A través de in­fo­r­ma­ción de tráfico, in­di­ca­cio­nes de ruta y avisos au­to­má­ti­cos de paradas, mejora el servicio, la au­to­ma­ti­za­ción moderna y la seguridad en el tra­n­s­po­r­te público.
• En­tre­te­ni­mie­n­to y medios: en los medios de en­tre­te­ni­mie­n­to como vi­deo­jue­gos, películas de animación o do­cu­me­n­ta­les, la síntesis de voz pro­po­r­cio­na ex­pe­rie­n­cias in­me­r­si­vas y pe­r­so­na­jes ar­ti­fi­cia­les con voces realistas.
• Servicios au­to­ma­ti­za­dos y asi­s­te­n­tes virtuales: ya sea la búsqueda por voz y la op­ti­mi­za­ción de búsquedas por voz, asi­s­te­n­tes pe­r­so­na­les o chatbots y la IA ge­ne­ra­ti­va, la síntesis de voz permite ofrecer asi­s­te­n­tes virtuales y funciones con salida o control por voz.

Al utilizar TTS, no solo es posible recurrir a voces neu­ro­na­les pre­de­te­r­mi­na­das, sino también crear voces neu­ro­na­les propias o simular voces reales mediante gra­ba­cio­nes. De esta manera, las voces ar­ti­fi­cia­les pueden adaptarse a marcas de productos y empresas, campañas pu­bli­ci­ta­rias, así como a productos como au­dio­li­bros, podcasts o apli­ca­cio­nes de voz.

¿Cuál es la di­fe­re­n­cia entre la síntesis de voz y el re­co­no­ci­mie­n­to de voz?

La síntesis de voz convierte contenido escrito en lenguaje hablado, uti­li­za­n­do voces generadas por ordenador para re­pro­du­cir los textos de manera acústica. En cambio, el re­co­no­ci­mie­n­to de voz está diseñado para co­m­pre­n­der el habla y co­n­ve­r­ti­r­lo en texto escrito, tra­n­s­fo­r­ma­n­do las ex­pre­sio­nes acústicas en ca­ra­c­te­res digitales. En resumen, la síntesis de voz es lo contrario al re­co­no­ci­mie­n­to de voz, ya que tra­n­s­fo­r­ma textos en voz hablada, mientras que el re­co­no­ci­mie­n­to de voz convierte el habla en texto escrito.

La síntesis de voz y el re­co­no­ci­mie­n­to de voz suelen estar es­tre­cha­me­n­te vi­n­cu­la­dos y a menudo se utilizan co­n­ju­n­ta­me­n­te en los sistemas de asi­s­te­n­cia por voz. La síntesis de voz se encarga de pro­po­r­cio­nar re­s­pue­s­tas habladas a los usuarios, mientras que el re­co­no­ci­mie­n­to de voz permite al sistema entender las so­li­ci­tu­des y reac­cio­nar ade­cua­da­me­n­te. Ambas te­c­no­lo­gías se co­m­ple­me­n­tan pe­r­fe­c­ta­me­n­te, co­n­tri­bu­ye­n­do así a mejorar la in­ter­ac­ción entre humanos y máquinas.

Otros tipos speech synthesis

Además del software tra­di­cio­nal de Text-to-Speech, existen otras formas de síntesis de voz como:

• Prótesis de voz: las prótesis de voz ayudan a personas con di­s­ca­pa­ci­da­des físicas o del habla a generar habla natural a través de sistemas de voz generados por ordenador. De esta manera, se busca promover la ac­ce­si­bi­li­dad y facilitar tanto el acceso a or­de­na­do­res como la capacidad de co­mu­ni­ca­ción.
• Síntesis de voz mu­l­ti­mo­dal: la síntesis de voz mu­l­ti­mo­dal, también conocida como síntesis de voz au­dio­vi­sual, combina el habla si­n­te­ti­za­da con rostros animados para co­m­ple­me­n­tar la co­mu­ni­ca­ción con señales visuales y gestos como sonrisas o mo­vi­mie­n­tos de cabeza. De esta manera, se mejora la ex­pre­si­vi­dad, viveza y na­tu­ra­li­dad de la síntesis de voz, además de sus matices.