thumb|right|Stephen Hawking ye una de les persones más famoses n'emplegar un sintetizador de voz pa comunicase
La síntesis de fala ye la producción artificial del fala. El sistema computarizado que ye usáu con esti propósitu ye llamáu ordenador de fala o sintetizador de voz y puede ser implementáu en productos software o hardware. Un sistema text-to-speech (TTS) convierte'l llinguaxe de testu normal en fala; otros sistemes recreen la representación simbólica llingüística como trescripciones fonétiques en fala.
La fala sintetizada pue ser creada al traviés de la concatenación de fragmentos de fala grabaos que son almacenaos nuna base de datos. Los sistemes difieren nel tamañu de les unidaes de fala almacenaes; un sistema qu'almacena fonos y difonos dexa un mayor rangu de sonido pero escarez de claridá. Pa usos específicos, el tamañu del almacenamientu de pallabres completes o oraciones dexa una mayor calidá d'audiu. De manera alternativa, un sintetizador puede incorporar un modelu de tracto vocal o otres carauterístiques de la voz humana pa recrear dafechu una voz "sintética".
La calidá d'un sintetizador de voz xulgar pola semeyanza que tenga cola voz humana y la so habilidá pa ser entendíu con claridá. Un programa de conversión de testu en fala intelixible dexa que les persones con discapacidaes visuales o dificultaes pa lleer puedan escuchar testos nun ordenador. Munchos sistemes operativos tienen sintetizadores de voz integraos dende principios de los noventa.
550px|thumb|Diagrama d'un sistema TTS típicu
Un sistema o "motor" de testu a fala (TTS) ta compuestu de dos partes: un front-end y back-end. El front-end tien dos tarea principales. Primero, convertir el testu con calteres, númberos, símbolos y abreviaciones nel so equivalente en pallabres escrites. Esti procesu ye llamáu como "normalización del testu", "pre-procesamientu" o "tokenización", darréu'l front-end asigna una trescripción fonética a cada pallabra, marca y estrema el testu n'unidaes prosódiques, como frases, cláusules y oraciones. El procesu d'asignar trescripciones fonétiques a les pallabres ye llamáu conversión "testu a fonema" o "grafema a fonema". La información de trescripciones fonétiques o prosódiques preparen la información de la representación simbólica llingüística que ye'l resultáu del front-end. El back-end, comúnmente referíu como'l "sintetizador", convierte la representación simbólica llingüística en soníu. En dellos sistemes, esta parte inclúi'l cómputu de "intención prosódica" (tonu del perfil, duración de los fonemes), el cual ye implementáu na voz de salida.
Historia Primero que el procesamiento de señal electrónicu fuera inventáu, hubo quien intentaron construyir máquines p'asonsañar la fala humana. Dalgunes de les primeres lleendes de la esistencia de los "Brazen Heads" arreyaron a Silvestre II (d. 1003 AD), Alberto Magnu (1198–1280) y Roger Bacon (1214–1294).
En 1779 el científicu danés Christian Kratzenstein, mientres trabayaba en Academia de Ciencies de Rusia, construyó modelos del tracto vocal humanu que podíen reproducir los soníos de les cinco vocales (en notación el d'Alfabetu Fonéticu Internacional pal inglés, son , , , y ).History and Development of Speech Synthesis, Helsinki University of Technology, Retrieved on November 4, 2006 Esto foi siguíu pola "Wolfgang von Kempelen's Speaking Machine" operada por fuelles fecha por Wolfgang von Kempelen de Bratislava, Hungría, descrita nun testu en 1791.Mechanismus der menschlichen Sprache nebst der Beschreibung seiner sprechenden Maschine ("Mechanism of the human speech with description of its speaking machine," J. B. Degen, Wien). Esta máquina integró modelos de llabios y llingua, dexando producir consonantes, según vocales. En 1837 Charles Wheatstone produció un "máquina parlante" basada nel diseñu de Von Kempelen, y en 1857, M. Faber construyó la máquina "Euphonia". El diseñu de Wheatstone foi emplegáu por Paget en 1923.
Na década de los trenta, los llaboratorios Bell desenvolvieron el vocoder, que automáticamente analizaba la fala al traviés de la so nota fundamental y resonancies. Del so trabayu col vocoder, Homer Dudley desenvolvió un sintetizador operáu por un tecláu llamáu The Voder, que foi exhibíu na New York World's Fair de 1939.
El "Pattern playback" foi construyíu pol Dr. Franklin S. Cooper y los sos colegues nos llaboratorios Haskins a finales de los cuarenta y rematáu nos cincuenta. Hubo delles versiones d'esti dispositivu de hardware, pero solo una esiste. La máquina convierte les imáxenes de patrones acústicos en fala de la manera en forma d'una espectrograma a soníu. Usando esti dispositivu, Alvin Liberman y los sos colegues llograron afayar indicadores acústicos pa la perceición de segmentos fonéticos (vocales y consonantes).
Los sistemes dominantes nos ochentas y noventas yeren el sistema DECtalk, basáu nel trabayu de Dennis Klatt en MIT, y el sistema de los llaboratorios Bell; que dempués se convertiría nun de los primeros sistemes multi-llinguaxes independientes, faciendo un usu estensivu de los métodos de procesamientu de llinguaxes naturales.
Los primeros sintetizadores de fala teníen un soníu robóticu y teníen poca inteligibilidad. La calidá de la fala sintetizada foi ameyorada, pero l'audiu de salida de la síntesis de fala contemporánea entá ye estremable de la fala humana.
Por cuenta de la proporción de costu-rendimientu, los sintetizadores de fala convirtiéronse cada vez más baratos y accesibles pa les persones, más xente va ser beneficiada pol usu de programes texto-fala.
Dispositivos electrónicos thumb|right|L'ordenador y el sintetizador de voz usáu por Stephen Hawking en 1999
Los primeros sistemes d'ordenador basaos na síntesis de voz fueron creaos nos cincuenta. El primer sistema xeneral d'inglés de testu-fala foi desenvueltu por Noriko Umeda et al. en 1968 en Llaboratoriu Electrotecnico en Xapón.Klatt, D. (1987) "Review of Text-to-Speech Conversion for English" Journal of the Acoustical Society of America 82(3):737-93 En 1961, el físicu John Larry Kelly, Jr y el so colega Louis Gerstman usaron un ordenador IBM 704 pa sintetizar la voz, un eventu importante na historia de los llaboratorios Bell. El sintetizador de voz de Kelly (vocoder) reprodució'l cantar "Daisy Bell" col acompañamientu musical de Max Mathews. De casualidá, Arthur C. Clarke taba visitando al so amigu y colega John Pierce nos llaboratorios Bell en Murray Hill. Clarke taba tan impresionáu pola demostración que la usó na escena clímax pa la so novela 2001: A Space Odyssey, onde l'ordenador HAL 9000 canta'l mesmu cantar cuando pon a dormir al astronauta David Bowman. Pese al ésitu de la síntesis de voz electrónica pura, entá se continua investigando sobre los sintetizadores de voz mecánicos.Anthropomorphic Talking Robot Waseda-Talker Series
Dispositivos móviles electrónicos incluyendo síntesis de voz empezaron a apaecer nos setentas. Unos de los primeres foi la calculadora pa ciegos Speech+ de Telesensory Systems Inc. (TSI) en 1976.TSI Speech+ & other speaking calculatorsGevaryahu, Jonathan, "TSI S14001A Speech Synthesizer LSI Integrated Circuit Guide" Otros dispositivos fueron producíos con fines educativos como'l "Speak & Spell", creáu por Texas Instruments en 1978.Breslow, et al. United States Patent 4326710: "Talking electronic game" April 27, 1982 Fidelity llanzó una versión parlante del so axedrez electrónicu en 1979.Voice Chess Challenger El primer videoxuegu n'incluyir la síntesis de voz foi l'arcade shoot 'em up, Stratovox, de Sunsoft.Gaming's Most Important Evolutions , GamesRadar Otru de los primeros exemplos ye la versión arcade de Berzerk del mesmu añu. El primer xuegu electrónicu multixugador n'usar la síntesis de voz foi "Milton" de Milton Bradley Company,"Far-out phonemes." Popular Mechanics (Tech Front Lines). Jun 1981 la cual produció'l dispositivu en 1980.
Teunoloxíes del sintetizador Les cualidaes más importantes de los sistemes de síntesis de voz son la "naturalidá" y la "inteligibilidad". La naturalidá describe qué tan cerca l'audiu de salida esta de la voz humana, ente que la inteligibilidad ye'l grau d'entendimientu que tien l'audiu. El sintetizador de voz ideal ye tanto natural como intelixible. Los sistemes de síntesis de voz usualmente traten de maximizar estes carauterístiques.Gahlawata, M., Malika, A., Bansalb, P. Natural Speech Synthesizer for Blind Persons Using Hybrid Approach’’. Procedia Computer Science, 2014, p. 86</ref>
Los dos teunoloxíes primaries que xeneren formes d'ondes sintétiques de voz son la "síntesis concatenativa" y la "síntesis de formates". Cada teunoloxía tien les sos fortaleces y debilidaes, dependiendo del so usu podrá determinase qu'acercamientu va ser usáu.<ref>Schröder, M., Emotional Speech Synthesis: A Review’’. University of the Saarland, 2001, p.1
Síntesis concatenativa La síntesis concatenativa ta basada na concatenación (o unión) de segmentos d'una voz grabada. Xeneralmente, la síntesis concatenativa produz el soníu más natural d'una voz sintetizada. Sicasí, les diferencies ente les variaciones naturales na fala y la naturaleza de les téuniques automatizadas pa segmentación de formes d'onda delles vegaes resulta en glitches oyibles nel audiu de salida. Esisten trés sub-tipos de síntesis concatenaitva.
Síntesis de seleición d'unidaes La síntesis de seleición d'unidaes emplega bases de datos de voces grabaes. Mientres la creación de la base de datos, cada enunciáu grabáu ye sementado en: fonos, difonos, medios fonos, sílabes, morfemes, pallabres, frases y oraciones. De normal la división en segmentos ye fecha con ayuda d'un sistema de reconocencia de la fala modificáu, usando representaciones visuales como la forma d'onda y un espectrograma.Alan W. Black, Perfect synthesis for all of the people all of the time. IEEE TTS Workshop 2002. Un índiz de les unidaes de voz na base de datos ye creáu basáu na segmentación y en parámetros acústicos como la frecuencia fundamental (tonu), duración, posición de la sílaba y fonemes cercanos. Mientres el tiempu d'execución, l'enunciáu deseyáu ye creáu determinando la mayor cadena posible d'unidaes (seleición d'unidaes). Esti procesu ye lleváu a cabu usando un árbol de decisión.
La seleición d'unidaes dexa una naturalidá mayor por cuenta de qu'emplega un menor procesamientu dixital de señales (DSP) na fala grabada. El procesamientu dixital de señales usualmente causa que'l soníu de la voz nun sía tan natural, anque dellos sistemes empleguen una pequeña cantidá de procesamientu de la señal nel puntu de la concatenación p'afaer la forma d'onda. L'audiu de salida de la meyor seleición d'unidaes usualmente ye indistinguible de les voces humanes reales, especialmente en contestos con sistemes TTS. Sicasí, un mayor naturalidá requier de bases de datos de seleición d'unidaes bien grandes, en dellos sistemes aportando a de gigabytes de datos grabaos, representando docenes d'hores de voz.John Kominek and Alan W. Black. (2003). CMU ARCTIC databases for speech synthesis. CMU-LTI-03-177. Language Technologies Institute, School of Computer Science, Carnegie Mellon University. Tamién los algoritmos de seleición d'unidaes son conocíos por escoyer segmentos d'un llugar menos ideal (ej. les pallabres pequeñes nun son clares) entá cuando una meyor opción esiste na base de datos.Julia Zhang. Language Generation and Speech Synthesis in Dialogues for Language Learning, masters thesis, Section 5.6 on page 54. Apocayá, los investigadores han propuestos dellos métodos automatizados pa detectar segmentos non naturales nos sistemes de síntesis de seleición d'unidaes.William Yang Wang and Kallirroi Georgila (2011). Automatic Detection of Unnatural Word-Level Segments in Unit-Selection Speech Synthesis, IEEE ASRU 2011.
Síntesis de difonos