Síntesis de voz (text-to-speech)
La síntesis de voz (text-to-speech) es la tecnología que convierte un texto escrito en audio hablado mediante una voz artificial, para que un software pueda leer contenidos o responder en voz alta.
Definición
La síntesis de voz, a menudo abreviada TTS, toma una frase y genera el sonido de alguien pronunciándola. Los primeros sistemas unían fragmentos grabados y sonaban robóticos. Las voces neuronales actuales modelan el ritmo, el acento y la entonación, y pueden parecerse mucho a una persona, en muchos idiomas y con distintos estilos de voz.
La calidad se juzga escuchando: si la pronunciación es correcta, incluidos nombres y cifras, si el ritmo es cómodo, si la entonación encaja con la frase y cuánto tarda en empezar el audio. En una conversación en directo, el retraso antes de que empiece la voz se nota más que una voz algo imperfecta. La velocidad, las pausas y la elección de la voz pueden ajustarse al público.
La voz importa para la confianza. Una voz clara y agradable facilita la conversación, mientras que una voz plana o que pronuncia mal hace que la gente deje de escuchar. Como las voces sintéticas pueden ser muy convincentes, hay que informar a las personas de que hablan con una IA y no imitar nunca la voz de una persona real sin su consentimiento.
Puntos clave
- Genera audio hablado a partir de texto; también se llama síntesis del habla.
- Las voces neuronales modelan ritmo y entonación y suenan mucho más naturales que los sistemas antiguos.
- Comprueba la pronunciación de nombres, siglas y cifras en cada idioma que uses.
- El retraso de arranque importa en las conversaciones en directo.
- Avisa de que la voz es sintética y no clones nunca una voz real sin consentimiento.
Ejemplo
Una universidad diseña un seguimiento hablado para estudiantes de primer curso, en español e inglés. Antes del lanzamiento, el equipo escucha los audios de prueba y corrige cómo se pronuncian los nombres de dos campus y varias siglas de titulaciones.
Preguntas frecuentes
¿Qué diferencia hay entre la síntesis de voz y la transcripción de voz a texto?
Son operaciones opuestas. La síntesis de voz produce audio a partir de texto, y la transcripción produce texto a partir de audio. Un agente de voz con IA usa ambas.
¿Puede una voz sintética sonar humana?
Las voces neuronales pueden sonar muy naturales, pero aún pueden tropezar con nombres poco comunes, abreviaturas o emoción. Solo unas pruebas de escucha con tus propios contenidos lo confirman.
¿Es aceptable ocultar que la voz es sintética?
Es mejor práctica, y en algunos lugares una exigencia legal, informar de que se habla con una IA. Consulta con un asesor jurídico las normas que te afectan.
Términos relacionados
Conversaciones con IA, decisiones humanas
Passisto mantiene conversaciones de voz estructuradas con candidatos, empleados, clientes y estudiantes, y las convierte en informes accionables.