Síntese de fala (TTS)
Tecnologia que transforma texto escrito em voz falada pelo computador; do inglês text-to-speech, texto para fala.
TTS é a sigla em inglês de text-to-speech, ou texto para fala. É a tecnologia que pega um texto escrito e lê em voz alta, com uma voz gerada pelo computador. Também é chamada de síntese de voz ou síntese de fala.
Está mais perto do que parece. Segundo a IBM, é o TTS que permite ao GPS e aos aplicativos de mapa dizerem em tempo real em qual rua virar, em vez de só repetir frases gravadas como “vire à esquerda”. Também está nos atendimentos telefônicos automáticos que leem opções e respondem ao cliente.
A origem é nobre: a IBM conta que a tecnologia foi desenvolvida para tornar computadores mais acessíveis a pessoas com deficiência visual ou com dificuldades de leitura, como a dislexia.
Por muito tempo, essas vozes soavam robóticas, daquele jeito que todo mundo sabia imitar. Com as redes neurais e o aprendizado profundo, ficaram bem mais naturais, com entonação e ritmo parecidos com os de uma pessoa. Hoje aparecem em narração de audiolivros, dublagem e podcasts, segundo a IBM.
O outro lado da moeda: vozes sintéticas convincentes também abriram espaço para os deepfakes de áudio, como lembra a IBM. Aquele áudio do “parente” pedindo dinheiro com urgência pode ter sido fabricado. Na dúvida, desligue e ligue de volta para o número que você já conhece.
Num assistente de voz, o TTS é a “boca”: depois que o reconhecimento de fala (ASR) entende o pedido e o sistema prepara a resposta, é a síntese de fala que a transforma em som.