Síntesis de voz

Los primeros sistemas de síntesis de voz basados ​​en computadora se originaron a finales de la década de 1950. Noriko Umeda y otros desarrollaron el primer sistema general de conversión de texto a voz en inglés en 1968, en el Laboratorio Electrotécnico de Japón. ^{[ 11 ]} En 1961, el físico John Larry Kelly, Jr. y su colega Louis Gerstman ^{[ 12 ]} utilizaron una computadora IBM 7090 para sintetizar voz, un evento entre los más destacados en la historia de Bell Labs . ^{[ 13 ]} El sintetizador de voz ( vocoder ) de Kelly recreó la canción " Daisy Bell ", con acompañamiento musical de Max Mathews . Casualmente, 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 del guion de su novela 2001: Una odisea del espacio , ^{[ 14 ]} donde la computadora HAL 9000 canta la misma canción mientras el astronauta Dave Bowman la pone a dormir. ^{[ 15 ]} A pesar del éxito de la síntesis de voz puramente electrónica, la investigación sobre sintetizadores de voz mecánicos continúa. ^{[ 16 ]}

La codificación predictiva lineal (LPC), una forma de codificación de voz , comenzó a desarrollarse 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 realizaron nuevos avances en la tecnología LPC en los Laboratorios Bell durante la década de 1970. ^{[ 17 ]} Posteriormente, la LPC fue la base de los primeros chips sintetizadores de voz, como los chips de voz LPC de Texas Instruments utilizados en los juguetes Speak & Spell a partir de 1978.

En 1975, Fumitada Itakura desarrolló el método de pares espectrales de línea (LSP) para la codificación de voz de alta compresión, mientras trabajaba en NTT. ^{[ 18 ] [ 19 ] [ 20 ]} De 1975 a 1981, Itakura estudió problemas en el análisis y la síntesis de voz basados ​​en el método LSP. ^{[ 20 ]} En 1980, su equipo desarrolló un chip sintetizador de voz basado en LSP. LSP es una tecnología importante para la síntesis y codificación de voz, y en la década de 1990 fue adoptada por casi todos los estándares internacionales de codificación de voz como un componente esencial, contribuyendo a la mejora de la comunicación de voz digital a través de canales móviles e Internet. ^{[ 19 ]}

En 1975 se lanzó MUSA , uno de los primeros sistemas de síntesis de voz. Consistía en un hardware informático independiente y un software especializado que le permitía leer italiano. Una segunda versión, lanzada en 1978, también podía cantar italiano a capela . ^{[ 21 ]}

Los sistemas dominantes en las décadas de 1980 y 1990 fueron el sistema DECtalk , basado en gran medida en el trabajo de Dennis Klatt en el MIT, y el sistema de Bell Labs; ^{[ 22 ]} este último fue uno de los primeros sistemas multilingües independientes del idioma, que hizo un uso extensivo de métodos de procesamiento del lenguaje natural .

Los dispositivos electrónicos portátiles con síntesis de voz comenzaron a aparecer en la década de 1970. Uno de los primeros fue la calculadora portátil Speech+ de Telesensory Systems Inc. (TSI) para ciegos en 1976. ^{[ 23 ] [ 24 ]} Otros dispositivos tenían principalmente fines educativos, como el juguete Speak & Spell producido por Texas Instruments en 1978. ^{[ 25 ]} Fidelity lanzó una versión parlante de su computadora de ajedrez electrónica en 1979. ^{[ 26 ]} El primer videojuego en presentar síntesis de voz fue el juego arcade de disparos de 1980 , Stratovox (conocido en Japón como Speak & Rescue ), de Sun Electronics . ^{[ 27 ] [ 28 ]} El primer juego de computadora personal con síntesis de voz fue Manbiki Shoujo ( Shoplifting Girl ), lanzado en 1980 para el PET 2001 , para el cual el desarrollador del juego, Hiroshi Suzuki, desarrolló una técnica de programación de " cruce cero " para producir una forma de onda de voz sintetizada. ^{[ 29 ]} Otro ejemplo temprano, la versión arcade de Berzerk , también data de 1980. La compañía Milton Bradley produjo el primer juego electrónico multijugador que utilizaba síntesis de voz, Milton , en el mismo año.

En 1976, Computalker Consultants lanzó su sintetizador de voz CT-1. Diseñado por D. Lloyd Rice y Jim Cooper, era un sintetizador analógico construido para funcionar con microcomputadoras que utilizaban el estándar de bus S-100. ^{[ 30 ]}

Las voces sintetizadas solían sonar masculinas hasta 1990, cuando Ann Syrdal , de los Laboratorios Bell de AT&T , creó una voz femenina. ^{[ 31 ]}

Ray Kurzweil predijo en 2005 que, a medida que la relación costo-rendimiento hiciera que los sintetizadores de voz fueran más baratos y accesibles, más personas se beneficiarían del uso de programas de conversión de texto a voz. ^{[ 32 ]}

En septiembre de 2016, DeepMind lanzó WaveNet , que demostró que los modelos de aprendizaje profundo son capaces de modelar formas de onda sin procesar y generar voz a partir de características acústicas como espectrogramas o espectrogramas Mel , dando inicio al campo de la síntesis de voz mediante aprendizaje profundo . Aunque WaveNet se consideró inicialmente costoso computacionalmente y lento para su uso en productos de consumo en ese momento, un año después de su lanzamiento, DeepMind presentó una versión modificada de WaveNet conocida como "Parallel WaveNet", un modelo de producción 1000 veces más rápido que el original. ^{[ 33 ]} A esto le siguió Tacotron 2 de Google AI en 2018, que demostró que las redes neuronales podían producir síntesis de voz altamente natural pero requería datos de entrenamiento sustanciales (normalmente decenas de horas de audio) para lograr una calidad aceptable. Tacotron 2 empleó una arquitectura de autoencoder con mecanismos de atención para convertir el texto de entrada en espectrogramas Mel, que luego se convirtieron en formas de onda utilizando un vocoder neuronal separado . Cuando se entrenó con conjuntos de datos más pequeños, como 2 horas de habla, la calidad de la salida se degradó aunque aún pudo mantener un habla inteligible, y con solo 24 minutos de datos de entrenamiento, Tacotron 2 no logró producir habla inteligible. ^{[ 34 ]}

En 2019, Microsoft Research presentó FastSpeech, que solucionó las limitaciones de velocidad en modelos autorregresivos como Tacotron 2. ^{[ 35 ]} Ese mismo año se lanzó HiFi-GAN, un vocoder basado en redes generativas antagónicas (GAN) que mejoró la eficiencia de la generación de formas de onda al tiempo que producía voz de alta fidelidad. ^{[ 36 ]} En 2020, el lanzamiento de Glow-TTS introdujo un enfoque basado en flujo que permitió capacidades de inferencia rápida y transferencia de estilo de voz. ^{[ 37 ]}

En marzo de 2020, se lanzó el sitio web gratuito de conversión de texto a voz 15.ai. 15.ai obtuvo una amplia atención internacional a principios de 2021 por su capacidad de sintetizar el habla emocionalmente expresiva de personajes ficticios de medios populares con una cantidad mínima de datos. ^{[ 38 ] [ 39 ] [ 40 ]} El creador de 15.ai afirmó que 15 segundos de datos de entrenamiento son suficientes para clonar perfectamente la voz de una persona (de ahí su nombre, "15.ai"), una reducción significativa con respecto al requisito de datos conocido anteriormente de decenas de horas. ^{[ 41 ]} Se le atribuye a 15.ai ser la primera plataforma en popularizar la clonación de voz por IA en memes y creación de contenido . ^{[ 42 ] [ 43 ] [ 41 ]} En enero de 2022, se produjo el primer caso de fraude de NFT de síntesis de voz cuando una empresa de criptomonedas llamada Voiceverse generó líneas de voz utilizando 15.ai , las modificó para que sonaran irreconocibles, las promocionó como un subproducto de su propia tecnología y las vendió como NFT sin permiso. ^{[ 44 ] [ 45 ] [ 46 ] [ 47 ]}

En enero de 2023, ElevenLabs lanzó su plataforma de conversión de texto a voz basada en navegador, que emplea algoritmos avanzados para analizar aspectos contextuales del texto y detectar emociones como ira, tristeza, felicidad o alarma. ^{[ 48 ] [ 49 ] [ 50 ]} La plataforma puede ajustar la entonación y el ritmo según el contexto lingüístico para producir un habla realista con inflexión humana, y ofrece funciones que incluyen la generación de voz multilingüe y la creación de contenido extenso. ^{[ 51 ] [ 52 ]}

En marzo de 2024, OpenAI corroboró el tiempo de referencia de 15 segundos para clonar la voz humana. ^{[ 53 ]} Sin embargo, consideraron que su herramienta Voice Engine era "demasiado arriesgada" para su lanzamiento general, y afirmaron que solo lanzarían una versión preliminar y no la tecnología para uso público. ^{[ 54 ]}

La síntesis concatenativa se basa en la concatenación (unión) de segmentos de voz grabada. Generalmente, la síntesis concatenativa produce la voz sintetizada con un sonido más natural. Sin embargo, las diferencias entre las variaciones naturales del habla y la naturaleza de las técnicas automatizadas para segmentar las ondas a veces provocan fallos audibles en la salida. Existen tres subtipos principales de síntesis concatenativa.

La síntesis de formantes no utiliza muestras de habla humana en tiempo de ejecución. En cambio, la salida de habla sintetizada se crea utilizando síntesis aditiva y un modelo acústico ( síntesis de modelado físico ). ^{[ 68 ]} Parámetros como la frecuencia fundamental , la sonoridad y los niveles de ruido varían con el tiempo para crear una forma de onda de habla artificial. Este método a veces se denomina síntesis basada en reglas ; sin embargo, muchos sistemas concatenativos también tienen componentes basados ​​en reglas. Muchos sistemas basados ​​en la tecnología de síntesis de formantes generan habla artificial, con sonido robótico, que nunca se confundiría con habla humana. Sin embargo, la máxima naturalidad no siempre es el objetivo de un sistema de síntesis de voz, y los sistemas de síntesis de formantes tienen ventajas sobre los sistemas concatenativos. El habla sintetizada por formantes puede ser fiablemente inteligible, incluso a velocidades muy altas, evitando los fallos acústicos que suelen afectar a los sistemas concatenativos. El habla sintetizada de alta velocidad es utilizada por personas con discapacidad visual para navegar rápidamente por ordenadores mediante un lector de pantalla . Los sintetizadores de formantes suelen ser programas más pequeños que los sistemas concatenativos, ya que no disponen de una base de datos de muestras de voz. Por lo tanto, pueden utilizarse en sistemas embebidos , donde la memoria y la potencia del microprocesador son especialmente limitadas. Gracias a que los sistemas basados ​​en formantes controlan por completo todos los aspectos de la voz de salida, pueden generar una amplia variedad de prosodias e entonaciones , transmitiendo no solo preguntas y afirmaciones, sino también diversas emociones y tonos de voz.

Ejemplos de control de entonación de alta precisión, aunque no en tiempo real, en la síntesis de formantes incluyen el trabajo realizado a finales de la década de 1970 para el juguete Speak & Spell de Texas Instruments , y a principios de la década de 1980 para las máquinas recreativas de Sega ^{[ 69 ]} y en muchos juegos de arcade de Atari, Inc. ^{[ 70 ]} utilizando los chips LPC TMS5220 . Crear una entonación adecuada para estos proyectos fue una tarea ardua, y los resultados aún no han sido igualados por las interfaces de conversión de texto a voz en tiempo real. ^{[ 71 ]}

Para lenguas tonales, como el chino o el taiwanés, se requieren diferentes niveles de sandhi tonal y, a veces, la salida del sintetizador de voz puede dar lugar a errores de sandhi tonal. ^{[ 72 ]}

La síntesis articulatoria consiste en técnicas computacionales para sintetizar el habla basándose en modelos del tracto vocal humano y los procesos de articulación que allí ocurren. El primer sintetizador articulatorio utilizado regularmente en experimentos de laboratorio fue desarrollado en los Laboratorios Haskins a mediados de la década de 1970 por Philip Rubin , Tom Baer y Paul Mermelstein. Este sintetizador, conocido como ASY, se basó en modelos del tracto vocal desarrollados en los Laboratorios Bell en las décadas de 1960 y 1970 por Paul Mermelstein, Cecil Coker y sus colegas.

Hasta hace poco, los modelos de síntesis articulatoria no se habían incorporado a los sistemas comerciales de síntesis de voz. Una excepción notable es el sistema basado en NeXT , desarrollado y comercializado originalmente por Trillium Sound Research, una empresa derivada de la Universidad de Calgary , donde se llevó a cabo gran parte de la investigación original. Tras la desaparición de las diversas versiones de NeXT (fundada por Steve Jobs a finales de la década de 1980 y fusionada con Apple Computer en 1997), el software de Trillium se publicó bajo la Licencia Pública General GNU, y el trabajo continuó como gnuspeech . El sistema, comercializado por primera vez en 1994, proporciona una conversión completa de texto a voz basada en la articulación, utilizando una guía de ondas o una línea de transmisión análoga de los tractos oral y nasal humanos, controlada por el "modelo de región distintiva" de Carré.

Los sintetizadores más recientes, desarrollados por Jorge C. Lucero y sus colegas, incorporan modelos de biomecánica de las cuerdas vocales, aerodinámica glótica y propagación de ondas acústicas en los bronquios, la tráquea, las cavidades nasales y orales, y constituyen así sistemas completos de simulación del habla basados ​​en la física. ^{[ 73 ] [ 74 ]}

La síntesis basada en HMM es un método de síntesis basado en modelos ocultos de Markov , también llamado síntesis paramétrica estadística. En este sistema, el espectro de frecuencia ( tracto vocal ), la frecuencia fundamental (fuente de voz) y la duración ( prosodia ) del habla se modelan simultáneamente mediante HMM. Las formas de onda del habla se generan a partir de los propios HMM según el criterio de máxima verosimilitud . ^{[ 75 ]}

La síntesis de onda sinusoidal es una técnica para sintetizar el habla mediante la sustitución de los formantes (bandas principales de energía) por silbidos de tono puro. ^{[ 76 ]}

La síntesis de voz mediante aprendizaje profundo utiliza redes neuronales profundas (DNN) para producir voz artificial a partir de texto (conversión de texto a voz) o espectro (vocoder). Estas redes neuronales se entrenan con una gran cantidad de grabaciones de voz y, en el caso de un sistema de conversión de texto a voz, con las etiquetas asociadas y/o el texto de entrada.

En 2023, el reportero de VICE, Joseph Cox, publicó hallazgos que indicaban que había grabado cinco minutos de sí mismo hablando y luego había utilizado una herramienta desarrollada por ElevenLabs para crear deepfakes de voz que burlaban el sistema de autenticación de voz de un banco . ^{[ 84 ]}

El proceso de normalización de textos rara vez es sencillo. Los textos están llenos de heterónimos , números y abreviaturas que requieren ser convertidos a una representación fonética. En inglés existen muchas grafías que se pronuncian de forma diferente según el contexto. Por ejemplo, «My latest project is to learn how to better project my voice» contiene dos pronunciaciones de «project».

La mayoría de los sistemas de conversión de texto a voz (TTS) no generan representaciones semánticas de los textos de entrada, ya que los procesos para hacerlo son poco fiables, se comprenden mal y son computacionalmente ineficientes. Por consiguiente, se utilizan diversas técnicas heurísticas para intentar desambiguar los homógrafos , como examinar las palabras vecinas y utilizar estadísticas sobre su frecuencia de aparición.

Recientemente, los sistemas TTS han comenzado a utilizar HMM (como se mencionó anteriormente ) para generar " partes de la oración " y así ayudar a desambiguar homógrafos. Esta técnica resulta bastante eficaz en muchos casos, como por ejemplo, para determinar si "read" debe pronunciarse como "red" (que implica pasado) o como "reed" (que implica presente). Los índices de error típicos al usar HMM de esta manera suelen ser inferiores al cinco por ciento. Estas técnicas también funcionan bien para la mayoría de las lenguas europeas, aunque el acceso a los corpus de entrenamiento necesarios suele ser difícil en estos idiomas.

Decidir cómo convertir números es otro problema que los sistemas TTS deben abordar. Es un desafío de programación sencillo convertir un número en palabras (al menos en inglés), como "1325" que se convierte en "mil trescientos veinticinco". Sin embargo, los números aparecen en muchos contextos diferentes; "1325" también puede leerse como "uno tres dos cinco", "trece veinticinco" o "mil trescientos veinticinco". Un sistema TTS a menudo puede inferir cómo expandir un número basándose en las palabras, números y signos de puntuación que lo rodean, y a veces el sistema proporciona una forma de especificar el contexto si es ambiguo. ^{[ 85 ]} Los números romanos también pueden leerse de manera diferente según el contexto. Por ejemplo, "Enrique VIII" se lee como "Enrique el Octavo", mientras que "Capítulo VIII" se lee como "Capítulo Ocho".

De igual modo, las abreviaturas pueden ser ambiguas. Por ejemplo, la abreviatura "in" para "inches" debe diferenciarse de la palabra "in", y la dirección "12 St John St." usa la misma abreviatura para "Saint" y "Street". Los sistemas TTS con interfaces inteligentes pueden hacer conjeturas fundamentadas sobre las abreviaturas ambiguas, mientras que otros proporcionan el mismo resultado en todos los casos, lo que da lugar a resultados sin sentido (y a veces cómicos), como " Ulysses S. Grant " que se traduce como "Ulysses South Grant".

Los sistemas de síntesis de voz utilizan dos enfoques básicos para determinar la pronunciación de una palabra a partir de su ortografía , un proceso que a menudo se denomina conversión de texto a fonema o de grafema a fonema ( fonema es el término que utilizan los lingüistas para describir los sonidos distintivos de un idioma ). El enfoque más sencillo para la conversión de texto a fonema es el basado en diccionario, donde el programa almacena un diccionario extenso que contiene todas las palabras de un idioma y sus pronunciaciones correctas . Determinar la pronunciación correcta de cada palabra consiste en buscarla en el diccionario y reemplazar la ortografía con la pronunciación especificada en él. El otro enfoque se basa en reglas, en el que se aplican reglas de pronunciación a las palabras para determinar su pronunciación a partir de su ortografía. Esto es similar al método de "decodificación fonética" o fonética sintética para aprender a leer.

Cada enfoque tiene sus ventajas y desventajas. El enfoque basado en diccionarios es rápido y preciso, pero falla por completo si se le proporciona una palabra que no se encuentra en su diccionario. A medida que aumenta el tamaño del diccionario, también lo hacen los requisitos de memoria del sistema de síntesis. Por otro lado, el enfoque basado en reglas funciona con cualquier entrada, pero la complejidad de las reglas aumenta sustancialmente a medida que el sistema considera ortografías o pronunciaciones irregulares. (Considere que la palabra "of" es muy común en inglés, pero es la única en la que la letra "f" se pronuncia [v] ). Como resultado, casi todos los sistemas de síntesis de voz utilizan una combinación de estos enfoques.

Las lenguas con ortografía fonémica poseen un sistema de escritura muy regular, y la predicción de la pronunciación de las palabras a partir de su ortografía resulta bastante eficaz. Los sistemas de síntesis de voz para estas lenguas suelen emplear ampliamente el método basado en reglas, recurriendo a diccionarios solo para aquellas pocas palabras, como nombres extranjeros y préstamos lingüísticos, cuya pronunciación no resulta obvia a partir de su ortografía. Por otro lado, los sistemas de síntesis de voz para lenguas como el inglés, que tienen sistemas ortográficos extremadamente irregulares, tienden a depender más de los diccionarios y a utilizar métodos basados ​​en reglas únicamente para palabras inusuales o que no figuran en ellos.

La evaluación consistente de los sistemas de síntesis de voz puede resultar difícil debido a la falta de criterios de evaluación objetivos y universalmente aceptados. Diferentes organizaciones suelen utilizar datos de voz distintos. La calidad de estos sistemas también depende de la técnica de producción (que puede incluir grabación analógica o digital) y de los medios utilizados para reproducir la voz. Por lo tanto, la evaluación de los sistemas de síntesis de voz se ha visto frecuentemente dificultada por las diferencias entre las técnicas de producción y los sistemas de reproducción.

Sin embargo, desde 2005, algunos investigadores han comenzado a evaluar sistemas de síntesis de voz utilizando un conjunto de datos de voz común. ^{[ 86 ]}

Un estudio publicado en la revista Speech Communication por Amy Drahota y sus colegas de la Universidad de Portsmouth , Reino Unido , informó que los oyentes de grabaciones de voz podían determinar, con una precisión superior al azar, si el hablante estaba sonriendo o no. ^{[ 87 ] [ 88 ] [ 89 ]} Se sugirió que la identificación de las características vocales que señalan el contenido emocional puede utilizarse para ayudar a que el habla sintetizada suene más natural. Uno de los problemas relacionados es la modificación del contorno de tono de la oración, dependiendo de si es una oración afirmativa, interrogativa o exclamativa. Una de las técnicas para la modificación del tono ^{[ 62 ]} utiliza la transformada discreta del coseno en el dominio de la fuente ( residuo de predicción lineal ). Estas técnicas de modificación de tono síncronas requieren un marcado de tono a priori de la base de datos de voz sintetizada utilizando técnicas como la extracción de épocas utilizando el índice de explosión dinámica aplicado al residuo de predicción lineal integrado de las regiones sonoras del habla. ^{[ 90 ]} En general, la prosodia sigue siendo un desafío para los sintetizadores de voz y es un tema de investigación activo.

A principios de la década de 1980, TI era reconocida como pionera en la síntesis de voz, y ofrecía un popular módulo sintetizador de voz enchufable para las calculadoras TI-99/4 y 4A. Estos sintetizadores se regalaban con la compra de varios cartuchos y se utilizaban en numerosos videojuegos desarrollados por TI (entre ellos, Alpiner y Parsec ). El sintetizador empleaba una variante de codificación predictiva lineal y contaba con un pequeño vocabulario integrado. La idea original era lanzar pequeños cartuchos que se conectaran directamente a la unidad del sintetizador, lo que ampliaría el vocabulario del dispositivo. Sin embargo, el éxito de la conversión de texto a voz por software en el cartucho Terminal Emulator II frustró este plan.

La consola de videojuegos Mattel Intellivision ofreció el módulo de síntesis de voz Intellivoice en 1982. Este incluía el chip sintetizador de voz SP0256 Narrator en un cartucho extraíble. El Narrator contaba con 2 kB de memoria de solo lectura (ROM), que se utilizaba para almacenar una base de datos de palabras genéricas que podían combinarse para formar frases en los juegos de Intellivision. Dado que el chip Narrator también podía recibir datos de voz de una memoria externa, cualquier palabra o frase adicional necesaria podía almacenarse dentro del propio cartucho. Los datos consistían en cadenas de coeficientes de filtro analógico para modificar el comportamiento del modelo sintético del tracto vocal del chip, en lugar de simples muestras digitalizadas.

También lanzado en 1982, Software Automatic Mouth fue el primer programa comercial de síntesis de voz totalmente por software. Posteriormente se utilizó como base para Macintalk . El programa estaba disponible para ordenadores Apple que no fueran Macintosh (incluidos el Apple II y el Lisa), varios modelos de Atari y el Commodore 64. La versión de Apple prefería hardware adicional que contuviera convertidores digital-analógico (DAC), aunque podía utilizar la salida de audio de un bit del ordenador (con la adición de mucha distorsión) si la tarjeta no estaba presente. El Atari utilizaba el chip de audio POKEY integrado. La reproducción de voz en el Atari normalmente desactivaba las solicitudes de interrupción y apagaba el chip ANTIC durante la salida de voz. La salida audible es una voz extremadamente distorsionada cuando la pantalla está encendida. El Commodore 64 utilizaba el chip de audio SID integrado del 64.

Podría decirse que el primer sistema de voz integrado en un sistema operativo fueron los ordenadores Atari 1400XL/1450XL , que no llegaron a comercializarse alrededor de 1983. Estos utilizaban el chip Votrax SC01 y una máquina de estados finitos para permitir la síntesis de voz con texto y ortografía del inglés mundial. ^{[ 92 ]}

Los ordenadores Atari ST se vendían con el archivo "stspeech.tos" en un disquete.

El primer sistema de voz integrado en un sistema operativo que se comercializó en grandes cantidades fue MacInTalk de Apple Computer . El software fue licenciado a los desarrolladores externos Joseph Katz y Mark Barton (más tarde, SoftVoice, Inc.) y se presentó durante la introducción de la computadora Macintosh en 1984. Esta demostración de enero requería 512 kilobytes de RAM. Como resultado, no podía ejecutarse en los 128 kilobytes de RAM con los que se lanzó la primera Mac. ^{[ 93 ]} Así que, la demostración se realizó con un prototipo de Mac de 512k, aunque los asistentes no fueron informados de esto y la demostración de síntesis creó una gran expectación por la Macintosh. A principios de la década de 1990, Apple amplió sus capacidades ofreciendo soporte de texto a voz en todo el sistema. Con la introducción de computadoras más rápidas basadas en PowerPC, incluyeron un muestreo de voz de mayor calidad. Apple también introdujo el reconocimiento de voz en sus sistemas, lo que proporcionó un conjunto de comandos fluido. Más recientemente, Apple ha añadido voces basadas en muestras. Lo que comenzó como una curiosidad, el sistema de voz de Apple Macintosh ha evolucionado hasta convertirse en un programa totalmente compatible, PlainTalk , para personas con problemas de visión. VoiceOver se incluyó por primera vez en 2005 en Mac OS X Tiger (10.4). Durante 10.4 (Tiger) y las primeras versiones de 10.5 ( Leopard ), Mac OS X solo incluía una voz estándar. A partir de 10.6 ( Snow Leopard ), el usuario puede elegir entre una amplia lista de múltiples voces. Las voces de VoiceOver ofrecen respiraciones realistas entre frases, así como una mayor claridad a altas velocidades de lectura en comparación con PlainTalk. Mac OS X también incluye say , una aplicación de línea de comandos que convierte texto en voz audible. Las Adiciones Estándar de AppleScript incluyen un verbo say que permite que un script utilice cualquiera de las voces instaladas y controle el tono, la velocidad de habla y la modulación del texto hablado.

Utilizado en Alexa y como Software como Servicio en AWS ^{[ 94 ]} (desde 2017).

El segundo sistema operativo en incorporar capacidades avanzadas de síntesis de voz fue AmigaOS , presentado en 1985. Commodore International obtuvo la licencia de la síntesis de voz de SoftVoice, Inc., empresa que también desarrolló el sistema original de conversión de texto a voz MacinTalk . Este sistema incluía una emulación completa de voz para inglés americano, con voces masculinas y femeninas e indicadores de acentuación, gracias al chipset de audio de Amiga . ^{[ 95 ]} El sistema de síntesis se dividía en una biblioteca de traducción que convertía texto en inglés sin restricciones en un conjunto estándar de códigos fonéticos y un dispositivo narrador que implementaba un modelo de formantes para la generación de voz. AmigaOS también incluía un " Controlador de Voz " de alto nivel , que permitía a los usuarios de la línea de comandos redirigir la salida de texto a voz. La síntesis de voz se utilizaba ocasionalmente en programas de terceros, especialmente en procesadores de texto y software educativo. El software de síntesis permaneció prácticamente sin cambios desde la primera versión de AmigaOS, y Commodore finalmente eliminó la compatibilidad con la síntesis de voz a partir de AmigaOS 2.1.

A pesar de la limitación de fonemas del inglés americano, se desarrolló una versión no oficial con síntesis de voz multilingüe. Esta utilizaba una versión mejorada de la biblioteca de traducción que podía traducir varios idiomas, a partir de un conjunto de reglas para cada idioma. ^{[ 96 ]}

Los sistemas de escritorio Windows modernos pueden usar componentes SAPI 4 y SAPI 5 para admitir la síntesis y el reconocimiento de voz . SAPI 4.0 estaba disponible como un complemento opcional para Windows 95 y Windows 98. Windows 2000 agregó Narrador , una utilidad de texto a voz para personas con discapacidad visual. Programas de terceros como JAWS para Windows, Window-Eyes, Non-visual Desktop Access, Supernova y System Access pueden realizar varias tareas de texto a voz, como leer texto en voz alta desde un sitio web específico, una cuenta de correo electrónico, un documento de texto, el portapapeles de Windows, la escritura del teclado del usuario, etc. No todos los programas pueden usar la síntesis de voz directamente. ^{[ 97 ]} Algunos programas pueden usar complementos, extensiones o adiciones para leer texto en voz alta. Hay programas de terceros disponibles que pueden leer texto desde el portapapeles del sistema.

Microsoft Speech Server es un paquete basado en servidor para la síntesis y el reconocimiento de voz. Está diseñado para su uso en red con aplicaciones web y centros de llamadas .

Entre 1971 y 1996, Votrax fabricó varios componentes comerciales para sintetizadores de voz. Un sintetizador Votrax se incluyó en la primera generación de la máquina de lectura Kurzweil para ciegos.

La versión 1.6 de Android añadió soporte para síntesis de voz (TTS). ^{[ 99 ]}

Actualmente, existen diversas aplicaciones , complementos y herramientas que permiten leer mensajes directamente desde un cliente de correo electrónico y páginas web desde un navegador o la barra de herramientas de Google . Algunos programas especializados pueden narrar fuentes RSS . Por un lado, los narradores RSS en línea simplifican la entrega de información al permitir a los usuarios escuchar sus fuentes de noticias favoritas y convertirlas en podcasts . Por otro lado, los lectores RSS en línea están disponibles en casi cualquier ordenador personal conectado a Internet. Los usuarios pueden descargar los archivos de audio generados a dispositivos portátiles, por ejemplo, con la ayuda de un receptor de podcasts , y escucharlos mientras caminan, corren o se desplazan al trabajo.

Un campo en auge en la síntesis de voz basada en Internet es la tecnología de asistencia web , por ejemplo, «Browsealoud» de una empresa británica y Readspeaker . Puede proporcionar funcionalidad de síntesis de voz a cualquier persona (por motivos de accesibilidad, comodidad, entretenimiento o información) con acceso a un navegador web. El proyecto sin ánimo de lucro Pediaphon se creó en 2006 para proporcionar una interfaz de síntesis de voz web similar a la de Wikipedia. ^{[ 100 ]}

También se están realizando otros trabajos en el marco del W3C a través del Grupo de Incubación de Audio del W3C, con la participación de la BBC y Google Inc.

Existen algunos sistemas de software de código abierto , como por ejemplo:

• eSpeak, que admite una amplia gama de idiomas.
• Sistema de síntesis de voz para festivales que utiliza síntesis basada en difonos, así como técnicas de sonido más modernas y contemporáneas.
• gnuspeech que utiliza síntesis articulatoria ^{[ 101 ]} de la Free Software Foundation .

• Tras el fracaso comercial del sistema Intellivoice basado en hardware, los desarrolladores de videojuegos utilizaron la síntesis de software con poca frecuencia en juegos posteriores . Los sistemas anteriores de Atari, como el Atari 5200 ( Baseball ) y el Atari 2600 ( Quadrun y Open Sesame ), también contaban con juegos que utilizaban síntesis de software.
• Algunos lectores de libros electrónicos , como el Amazon Kindle , el Samsung E6, el PocketBook eReader Pro, el enTourage eDGe y el Bebook Neo.
• El BBC Micro incorporaba el chip de síntesis de voz TMS5220 de Texas Instruments.
• Algunos modelos de ordenadores domésticos de Texas Instruments fabricados en 1979 y 1981 ( Texas Instruments TI-99/4 y TI-99/4A ) eran capaces de sintetizar texto a fonemas o recitar palabras y frases completas (texto a diccionario), utilizando un periférico de sintetizador de voz muy popular. TI utilizaba un códec propietario para incrustar frases habladas completas en aplicaciones, principalmente videojuegos. ^{[ 102 ]}
• El sistema operativo OS/2 Warp 4 de IBM incluía VoiceType, un precursor de IBM ViaVoice .
• Los sistemas de navegación GPS fabricados por Garmin , Magellan , TomTom y otros utilizan síntesis de voz para la navegación en automóviles.
• En 1999, Yamaha lanzó el Yamaha FS1R , un sintetizador musical que incluía la capacidad de síntesis de formantes. Se podían almacenar y reproducir secuencias de hasta 512 formantes individuales de vocales y consonantes, lo que permitía sintetizar frases vocales cortas.

En la Conferencia de 2018 sobre Sistemas de Procesamiento de Información Neuronal (NeurIPS), investigadores de Google presentaron el trabajo «Aprendizaje por transferencia de la verificación del hablante a la síntesis de texto a voz multispeaker», que transfiere el aprendizaje de la verificación del hablante para lograr la síntesis de texto a voz, que puede sonar casi como cualquier persona a partir de una muestra de voz de solo 5 segundos. ^{[ 103 ]}

Asimismo, investigadores de Baidu Research presentaron un sistema de clonación de voz con objetivos similares en la conferencia NeurIPS de 2018, ^{[ 104 ]} aunque el resultado es bastante poco convincente.

Para 2019, las imitaciones digitales de voces habían llegado a manos de delincuentes, ya que los investigadores de Symantec conocen 3 casos en los que la tecnología de imitaciones digitales de voces se ha utilizado para cometer delitos. ^{[ 105 ] [ 106 ]}

Esto aumenta la presión sobre la situación de desinformación junto con los hechos que

• Desde principios de la década de 2000, la síntesis de imágenes humanas ha mejorado hasta tal punto que el ser humano es incapaz de distinguir una imagen real de un ser humano capturada con una cámara real de una simulación de un ser humano capturada con una simulación de una cámara.
• En 2016 se presentaron técnicas de falsificación de vídeo 2D que permiten la falsificación casi en tiempo real de expresiones faciales en vídeos 2D existentes. ^{[ 107 ]}
• En SIGGRAPH 2017, investigadores de la Universidad de Washington presentaron una réplica digital del torso superior de Barack Obama, controlada por audio . Esta réplica se generó únicamente a partir de una pista de voz, que sirvió como datos de origen para la animación, una vez completada la fase de entrenamiento para obtener la sincronización labial y una mayor información facial a partir de material de entrenamiento compuesto por vídeos 2D con audio. ^{[ 108 ]}