Síntese de fala
Ler texto em voz alta com voz natural
O texto completo é apresentado em inglês; o título e o resumo estão traduzidos.
O QUE ESTA CAPACIDADE SIGNIFICA
Takes text and outputs audio that reads it aloud. It must handle both pronunciation — saying the right words — and prosody — where to pause and what to stress — while carrying a target speaker timbre. It runs opposite to speech recognition, and unlike voice cloning it does not need to imitate a specific person from a few samples but usually picks from preset voices.
Como é feita tecnicamente
Modern systems are mostly two-stage: an acoustic model predicts an intermediate representation such as a mel spectrogram from text, then a vocoder restores the waveform; both can be trained end to end. Discrete audio tokens with autoregressive or diffusion decoding yield more natural prosody and support zero-shot timbre imitation. On the text side, phonemisation and text normalisation handle digits, abbreviations and polyphonic characters.
Produtos representativos
6ElevenLabs
2022Um serviço multilíngue de texto para fala com vozes naturais e clonáveis
SparkTTS
2023Uma interface de texto para fala voltada ao uso em chinês
Synthesia
2019Escreva um texto e receba um vídeo com um avatar que fala
Gemini
2023Um modelo geral nativamente multimodal, feito para contextos muito longos
Doubao
2023O modelo de conversa geral e o aplicativo da ByteDance
Siri
2011O assistente de voz inicial que levou o controle por voz aos celulares populares
Organizações relacionadas
Usos típicos
- Audiobooks and news reading
- Accessibility reading and assistive narration
- Navigation prompts, podcasts and dubbing
- Support and smart-device response audio
Como avaliar se funciona bem
- MOS
- Mean opinion score for naturalness
- Intelligibility (WER)
- Re-transcribing the output to measure how much is misheard
- Speaker similarity
- Closeness to the target timbre
Limites e dificuldades
- Pauses and stress in long sentences sound unnatural, making whole passages feel flat
- Numbers, proper nouns and polyphonic characters are misread, and one normalisation slip derails the sentence
- Control over emotion and style is coarse; only a few systems let you finely set pace and mood
Conceitos por trás
Autoencoders e VAE
Comprima a informação por um gargalo e deixe-a crescer de volta
Mecanismo de atenção
Cada posição pode olhar diretamente para todas as outras e distribuir atenção conforme a relevância
Arquitetura Transformer
Substituir o revezamento palavra a palavra por uma sala onde todos falam ao mesmo tempo, deixando dependências distantes a um salto