Síntesis de voz
La síntesis de voz es la producción artificial de habla humana. Un sistema informático utilizado para este fin se denomina sintetizador de voz, y puede implementarse en productos de software o hardware. Un sistema de conversión de texto a voz (TTS) convierte texto en lenguaje normal en habla; otros sistemas convierten representaciones lingüísticas simbólicas, como transcripciones fonéticas, en habla. El proceso inverso es el reconocimiento del habla.
El habla sintetizada puede crearse concatenando fragmentos de habla grabada almacenados en una base de datos. Los sistemas difieren en el tamaño de las unidades de habla almacenadas; un sistema que almacena fonos o difonos proporciona el mayor rango de salida, pero puede carecer de claridad. Para dominios de uso específicos, el almacenamiento de palabras u oraciones completas permite una salida de alta calidad. Alternativamente, un sintetizador puede incorporar un modelo del tracto vocal y otras características de la voz humana para crear una salida de voz completamente "sintética".
La calidad de un sintetizador de voz se juzga por su similitud con la voz humana y por su capacidad para ser entendido con claridad. Un programa de texto a voz inteligible permite a las personas con discapacidades visuales o dificultades de lectura escuchar palabras escritas en una computadora doméstica. El primer sistema operativo informático que incluyó un sintetizador de voz fue Unix en 1974, a través de la utilidad Unix speak. En 2000, Microsoft Sam fue el sintetizador de voz de texto a voz predeterminado utilizado por la función de accesibilidad del narrador, que se incluía con todos los sistemas operativos Windows 2000 y los sistemas Windows XP posteriores.
Arquitectura de un Sistema de Texto a Voz
Un sistema de texto a voz (o "motor") se compone de dos partes: un front-end y un back-end. El front-end tiene dos tareas principales. Primero, convierte el texto sin procesar que contiene símbolos como números y abreviaturas en el equivalente de palabras escritas. Este proceso a menudo se denomina normalización de texto, preprocesamiento o tokenización. Luego, el front-end asigna transcripciones fonéticas a cada palabra y divide y marca el texto en unidades prosódicas, como frases, cláusulas y oraciones. El proceso de asignar transcripciones fonéticas a las palabras se denomina conversión de texto a fonema o de grafema a fonema. Las transcripciones fonéticas y la información de prosodia juntas constituyen la representación lingüística simbólica que produce el front-end.
El back-end, a menudo denominado sintetizador, convierte entonces la representación lingüística simbólica en sonido. En ciertos sistemas, esta parte incluye el cálculo de la prosodia objetivo (contorno de tono, duraciones de fonemas), que luego se impone al habla de salida. Este diseño de dos etapas permite un desarrollo modular, donde el análisis lingüístico puede mejorarse independientemente de la generación acústica.
Desarrollo Histórico
Mucho antes de la invención del procesamiento de señales electrónicas, algunas personas intentaron construir máquinas para emular el habla humana. También hubo leyendas sobre la existencia de "Cabezas de Bronce", como las que involucran al Papa Silvestre II (fallecido en 1003 d.C.), Alberto Magno (1198-1280) y Roger Bacon (1214-1294).
En 1779, el científico germano-danés Christian Gottlieb Kratzenstein ganó el primer premio en un concurso anunciado por la Academia Imperial Rusa de Ciencias y Artes por los modelos que construyó del tracto vocal humano que podían producir los cinco sonidos de vocales largas (en notación del Alfabeto Fonético Internacional: [aː], [eː], [iː], [oː] y [uː]). Le siguió la "máquina de habla acústico-mecánica" accionada por fuelle de Wolfgang von Kempelen de Pressburg, Hungría, descrita en un artículo de 1791. Esta máquina añadió modelos de la lengua y los labios, lo que le permitió producir consonantes además de vocales. En 1837, Charles Wheatstone produjo una "máquina parlante" basada en el diseño de von Kempelen, y en 1846, Joseph Faber exhibió la "Euphonia". En 1923, Paget resucitó el diseño de Wheatstone.
En la década de 1930, Bell Labs desarrolló el vocoder, que analizaba automáticamente el habla en sus tonos fundamentales y resonancias. A partir de su trabajo con el vocoder, Homer Dudley desarrolló un sintetizador de voz operado por teclado llamado The Voder (Demostrador de Voz), que exhibió en la Feria Mundial de Nueva York de 1939.
Franklin S. Cooper y sus colegas de los Laboratorios Haskins construyeron el reproductor de patrones a finales de la década de 1940 y lo completaron en 1950. Hubo varias versiones diferentes de este dispositivo de hardware; solo una sobrevive actualmente. La máquina convierte imágenes de los patrones acústicos del habla en forma de espectrograma de nuevo en sonido. Usando este dispositivo, Alvin Liberman y sus colegas descubrieron señales acústicas para la percepción de segmentos fonéticos (consonantes y vocales).
Sistemas Electrónicos y Basados en Computadora
Los primeros sistemas de síntesis de voz basados en computadora se originaron a finales de la década de 1950. Noriko Umeda y sus colegas desarrollaron el primer sistema general de texto a voz en inglés en 1968, en el Laboratorio Electrotécnico de Japón. En 1961, el físico John Larry Kelly Jr. y su colega Louis Gerstman utilizaron una computadora IBM 7090 para sintetizar voz, un evento entre los más prominentes en la historia de Bell Labs. El sintetizador de voz (vocoder) de Kelly recreó la canción "Daisy Bell", con acompañamiento musical de Max Mathews. Coincidentemente, Arthur C. Clarke estaba visitando a su amigo y colega John Pierce en las instalaciones de Bell Labs en Murray Hill. Clarke quedó tan impresionado por la demostración que la utilizó en la escena culminante de su guion para su novela 2001: Una Odisea del Espacio, donde la computadora HAL 9000 canta la misma canción mientras el astronauta Dave Bowman la desconecta. A pesar del éxito de la síntesis de voz puramente electrónica, la investigación sobre sintetizadores de voz mecánicos continúa.
La codificación predictiva lineal (LPC), una forma de codificación del habla, comenzó su desarrollo con el trabajo de Fumitada Itakura de la Universidad de Nagoya y Shuzo Saito de Nippon Telegraph and Telephone (NTT) en 1966. Bishnu S. Atal y Manfred R. Schroeder en Bell Labs realizaron desarrollos adicionales en la tecnología LPC durante la década de 1970. La LPC fue posteriormente la base para los primeros chips sintetizadores de voz, como los Chips de Voz LPC de Texas Instruments utilizados en los juguetes Speak & Spell desde 1978.
En 1975, Fumitada Itakura desarrolló el método de pares espectrales de línea (LSP) para la codificación de voz de alta compresión, mientras estaba en NTT. De 1975 a 1981, Itakura estudió problemas en el análisis y la síntesis del habla basados en el método LSP. En 1980, su equipo desarrolló un chip sintetizador de voz basado en LSP. LSP es una tecnología importante para la síntesis y codificación del habla, y en la década de 1990 fue adoptada por casi todos los estándares internacionales de codificación del habla como un componente esencial, contribuyendo a la mejora de la comunicación de voz digital a través de canales móviles e internet.
En 1975, se lanzó MUSA, uno de los primeros sistemas de síntesis de voz. Consistía en un hardware de computadora independiente y un software especializado que le permitía leer italiano. Una segunda versión, lanzada en 1978, también podía cantar en italiano en estilo "a cappella".
Los sistemas dominantes en las décadas de 1980 y 1990 fueron el sistema DECtalk, basado en gran parte en el trabajo de Dennis Klatt en MIT, y el sistema de Bell Labs; este último fue uno de los primeros sistemas multilingües e independientes del idioma, haciendo un uso extensivo de técnicas de procesamiento del lenguaje natural.
Enfoques Modernos y Aplicaciones
Con el auge del aprendizaje automático y el aprendizaje profundo, la síntesis de voz se ha desplazado hacia métodos basados en redes neuronales. Las redes neuronales pueden modelar el mapeo complejo del texto al habla directamente, produciendo a menudo una salida con un sonido más natural que los sistemas concatenativos o basados en formantes anteriores. Estos sistemas modernos a menudo aprovechan las arquitecturas de transformadores, que también son fundamentales para los grandes modelos de lenguaje, para capturar dependencias de largo alcance en el lenguaje y la prosodia.
Los motores de texto a voz contemporáneos se implementan ampliamente en dispositivos de consumo, sistemas de navegación y asistentes virtuales. Empresas como Apple, Samsung y Google DeepMind han integrado síntesis avanzada en sus productos. La tecnología también respalda las funciones de accesibilidad en los sistemas operativos, permitiendo lectores de pantalla para usuarios con discapacidad visual. A partir de la década de 2020, la investigación continúa centrándose en mejorar la expresividad emocional, la clonación de voz y la síntesis en tiempo real para aplicaciones interactivas.
Evaluación y Desafíos
La evaluación de los sintetizadores de voz implica tanto pruebas de escucha subjetivas como métricas objetivas. Las pruebas subjetivas miden la naturalidad y la inteligibilidad, a menudo utilizando puntuaciones de opinión media. Las medidas objetivas pueden comparar características acústicas o utilizar el reconocimiento automático del habla para evaluar la claridad. Quedan desafíos en el manejo de diversos idiomas, dialectos y estilos de habla, así como en la reducción del costo computacional para la implementación en el dispositivo. También surgen consideraciones éticas con el potencial de suplantación de voz y uso indebido de voces clonadas, lo que provoca un debate continuo en la comunidad de IA generativa.