Text-to-speech, ou TTS, converte texto escrito em áudio falado. É a contraparte voltada para a saída do reconhecimento de fala em sistemas de IA conversacional, e tem sido usada há décadas em ferramentas de acessibilidade, sistemas telefônicos e dispositivos de navegação antes de se tornar uma aplicação mainstream de IA generativa na década de 2020.
História
Os primeiros sistemas de TTS dependiam de síntese concatenativa, que unia pequenos segmentos pré-gravados de fala humana, ou de síntese por formantes, que gerava fala a partir de regras que descreviam a acústica do trato vocal; ambos produziam saída reconhecidamente robótica. Uma grande mudança veio com a aplicação do aprendizado profundo à geração de áudio: o WaveNet da DeepMind, publicado em 2016, gerava formas de onda de áudio brutas, amostra por amostra, usando uma arquitetura convolutional e produzia fala notavelmente mais natural que os métodos anteriores, embora a alto custo computacional. Sistemas subsequentes, como o Tacotron e modelos posteriores baseados em transformers, aceleraram a geração mantendo grande parte do ganho de naturalidade, e, no início dos anos 2020, o TTS neural havia se tornado a abordagem padrão em toda a indústria.
Sistemas modernos
Os modelos de TTS contemporâneos tipicamente dividem a tarefa em prever uma representação acústica intermediária a partir do texto e depois converter essa representação em uma forma de onda com um vocoder, embora sistemas mais novos e ponta-a-ponta cada vez mais colapsem isso em um modelo único, muitas vezes construído sobre difusão ou arquiteturas autoregressivas de transformadores. Empresas como ElevenLabs popularizaram TTS altamente expressivo e de baixa latência voltado para criadores de conteúdo, narração de audiobooks e dublagem, oferecendo controle sobre emoção, ritmo e sotaque. O TTS também é um componente central de assistentes de voz, ferramentas de tradução em tempo real e software de acessibilidade para usuários com deficiência visual, e fundamenta recursos de áudio gerados por IA, como os resumos estilo podcast do NotebookLM.
Clonagem de voz e qualidade
O avanço recente mais consequente é a clonagem de voz com poucos exemplos, na qual um modelo reproduz a voz de uma pessoa específica a partir de uma gravação de referência curta, em vez de uma voz sintética genérica. Conforme as vozes sintetizadas se aproximavam da indistinguibilidade humana, a avaliação mudou de simples testes de inteligibilidade para métricas de naturalismo perceptivo e, cada vez mais, para a capacidade de detectar se o áudio é sintético ou não, uma preocupação compartilhada com a literatura mais ampla na área de deepfakes.
Aplicações e preocupações
O TTS é usado em audiobooks, sistemas de atendimento telefônico, narração de vídeos, jogos e tecnologia assistiva, e se tornou um bloco de construção de sistemas maiores na visão da IA multimodal que podem tanto ouvir quanto falar. Sua melhora rápida também levantou preocupações sobre fraudes baseadas em voz, personificação em desinformação política e a substituição do trabalho de atores de voz, levando algumas empresas a adotar marca d'água de IA ou rotulagem de procedência para áudio sintético e algumas jurisdições a regulamentar o uso da voz de uma pessoa sem consentimento.