¿Cómo funciona el texto a voz y qué es el TTS neuronal?

Las tres etapas de un sistema TTS

1. Normalización del texto. El sistema reescribe el texto en palabras que se puedan pronunciar. “Dr. Lee paid $25 on 3/4” debe convertirse en algo como “Doctor Lee paid twenty-five dollars on March fourth” (o “the third of April”, según la región). Muchas pronunciaciones erróneas se producen aquí, no en la voz.
2. Análisis lingüístico. Las palabras se convierten en fonemas, las unidades de sonido de una lengua, y el sistema predice el acento, la agrupación en frases y la entonación. Las palabras que se escriben igual pero se dicen distinto, como “read” en presente y en pasado, o los caracteres chinos con más de una lectura, necesitan contexto para resolverse.
3. Generación de la onda de audio. Los sonidos y su duración se convierten en muestras de audio. Los sistemas más antiguos pegaban fragmentos grabados (síntesis concatenativa) o usaban un modelo de formantes, que suena robótico. Los sistemas neuronales predicen el audio con una red.

Un diseño neuronal clásico, Tacotron 2, mostró con claridad la división moderna: una red asigna el texto a un espectrograma Mel (una imagen tiempo-frecuencia del habla) y una segunda red, el vocoder, convierte esa imagen en una onda de audio. En las pruebas de escucha de sus autores, obtuvo puntuaciones cercanas a las de las grabaciones profesionales. Los sistemas más nuevos suelen fusionar las etapas o generar tokens de audio comprimido con una red del estilo de los modelos de lenguaje, lo que les permite copiar la voz de un hablante a partir de una muestra corta.

TTS neuronal frente a las voces del sistema en tu navegador

Las páginas web pueden hablar mediante la Web Speech API sin ningún modelo propio. El objeto speechSynthesis lee en voz alta un SpeechSynthesisUtterance con una de las voces que ofrece la plataforma.

Cada voz informa de un indicador localService. La especificación dice que es verdadero para un sintetizador local y falso para un servicio remoto; una voz remota puede necesitar red y añadir retraso.

const u = new SpeechSynthesisUtterance("Your order has shipped.");
u.lang = "en-GB";
u.rate = 0.9;   // 1 is normal; spec allows 0.1 to 10
u.pitch = 1.0;  // 0 to 2, 1 is the voice default
u.volume = 1.0; // 0 to 1
const voices = speechSynthesis.getVoices();
u.voice = voices.find(v => v.lang === "en-GB") || null;
speechSynthesis.speak(u);

Las voces suelen cargarse después de que empiece la página, así que getVoices() puede devolver al principio una lista vacía; escucha el evento voiceschanged. Por ejemplo, la herramienta de texto a voz de cv.cm usa exactamente estas voces integradas con controles de velocidad y tono. Es una forma rápida de escuchar un borrador, no un generador de voz neuronal, y la lista de voces depende de tu dispositivo.

SSML: controlar las pausas y la pronunciación

El lenguaje de marcado de síntesis de voz (SSML, Speech Synthesis Markup Language), un estándar del W3C, es un XML que indica a un motor TTS cómo leer el texto. La mayoría de los servicios de TTS en la nube lo aceptan. La especificación de Web Speech permite SSML en una locución, pero los motores que no admiten algunas etiquetas deben eliminarlas y leer el texto restante, por lo que la compatibilidad en los navegadores es desigual.

<speak>
  Your code is <say-as interpret-as="characters">A7K</say-as>.
  <break time="500ms"/>
  Please call <sub alias="World Health Organization">WHO</sub>
  before <prosody rate="90%" pitch="+2st">Friday at noon</prosody>.
  The word is <phoneme alphabet="ipa" ph="təˈmɑːtoʊ">tomato</phoneme>,
  and it is <emphasis level="strong">not</emphasis> optional.
</speak>

Si un servicio ignora el SSML, aún puedes guiarlo con texto sencillo: comas y puntos para las pausas, números escritos con letras y reescrituras fonéticas de los nombres difíciles.

Cómo escribir texto que suene bien al hablarse

• Usa frases cortas. Las oraciones largas hacen que la voz se quede sin puntos naturales para respirar.
• Escribe los números como deben decirse cuando importe: “two thousand twenty-six” o “twenty twenty-six”.
• Desarrolla las abreviaturas y las unidades que el oyente necesite oír: “km/h” puede leerse letra por letra.
• Fija el idioma y la región correctos. Una voz en-US que lee un nombre español, o una voz zh-CN que lee inglés, usará un sistema de sonidos equivocado.
• Escucha el resultado completo una vez antes de publicarlo. Revisa nombres, números y palabras con dos pronunciaciones.

Clonación de voz: consentimiento y ley

Los modelos actuales pueden imitar una voz a partir de una grabación corta. Eso es útil para doblar tus propios videos o devolverle la voz a alguien que la perdió, y también se usa para fraudes, como llamadas que imitan a un familiar o al director de una empresa. Trata cualquier voz como un dato personal que pertenece a quien habla.

Los servicios de clonación serios piden al hablante que grabe una declaración de consentimiento antes de crear una voz. Si una herramienta te permite clonar cualquier voz a partir de cualquier clip sin esa comprobación, no la uses para nada que publiques.