La conversión de texto a voz, o TTS, convierte texto escrito en audio hablado. Es la contraparte orientada a la salida de reconocimiento de voz dentro de los sistemas de IA conversacional, y se ha utilizado durante décadas en herramientas de accesibilidad, sistemas telefónicos y dispositivos de navegación antes de convertirse en una aplicación de IA generativa convencional en la década de 2020.
Historia
Los primeros sistemas TTS dependían de la síntesis concatenativa, que unía pequeños segmentos pregrabados de habla humana, o de la síntesis por formantes, que generaba habla a partir de reglas que describían la acústica del tracto vocal; ambos producían un resultado reconociblemente robótico. Un cambio importante llegó con la aplicación del aprendizaje profundo a la generación de audio: WaveNet de DeepMind, publicado en 2016, generaba formas de onda de audio crudas muestra por muestra usando una arquitectura convolucional y producía un habla notablemente más natural que los métodos anteriores, aunque con un alto costo computacional. Sistemas posteriores como Tacotron y modelos basados en transformadores aceleraron la generación mientras preservaban gran parte de la mejora en naturalidad, y para principios de la década de 2020, el TTS neuronal se había convertido en el enfoque predeterminado en toda la industria.
Sistemas modernos
Los modelos TTS contemporáneos suelen dividir la tarea en predecir una representación acústica intermedia a partir del texto y luego convertir esa representación en una forma de onda con un vocoder, aunque los sistemas de extremo a extremo más nuevos tienden a colapsar esto en un solo modelo, a menudo construido sobre arquitecturas de modelo de difusión o transformador autorregresivo. Empresas como ElevenLabs popularizaron un TTS altamente expresivo y de baja latencia dirigido a creadores de contenido, narración de audiolibros y doblaje, ofreciendo control sobre emoción, ritmo y acento. El TTS también es un componente central de los asistentes de voz, herramientas de traducción en tiempo real y software de accesibilidad para usuarios con discapacidad visual, y subyace a funciones de audio generadas por IA como los resúmenes estilo pódcast de NotebookLM.
Clonación de voz y calidad
El avance reciente más trascendental es la clonación de voz con pocos ejemplos, donde un modelo reproduce la voz de una persona específica a partir de una grabación de referencia corta en lugar de una voz sintética genérica. A medida que las voces sintetizadas se acercaron a ser indistinguibles de las humanas, la evaluación pasó de pruebas simples de inteligibilidad hacia puntuaciones de naturalidad perceptiva y, cada vez más, hacia la capacidad de detectar si el audio es sintético en absoluto, una preocupación compartida con la literatura más amplia sobre deepfakes.
Aplicaciones y preocupaciones
El TTS se utiliza en audiolibros, sistemas telefónicos de atención al cliente, narración de videos, juegos y tecnología de asistencia, y se ha convertido en un bloque de construcción de sistemas más grandes de IA multimodal que pueden tanto escuchar como hablar. Su rápida mejora también ha planteado preocupaciones sobre el fraude basado en voz, la suplantación en la desinformación política y el desplazamiento del trabajo de actuación de voz, lo que ha llevado a algunas empresas a adoptar marcas de agua de IA o etiquetado de procedencia para audio sintético y a algunas jurisdicciones a regular el uso de la voz de una persona sin consentimiento.