La síntesis de voz ha pasado por tres generaciones: la voz robótica por formantes de los años 80-90, la concatenación de fragmentos grabados (la voz «cortada» de los antiguos IVR) y, desde mediados de la década de 2010, los modelos neuronales, que generan la onda de audio directamente y aprenden la prosodia —entonación, énfasis, pausas— del habla real.
En telefonía, el TTS es la «boca» de los sistemas automáticos: locuciones de una centralita virtual generadas al vuelo en lugar de grabadas en estudio, avisos dinámicos (turnos, confirmaciones) y, sobre todo, la voz de los agentes de voz IA, que necesitan pronunciar respuestas que no existían un segundo antes.
Para uso conversacional importan dos cosas además de la naturalidad: la latencia —el motor debe empezar a emitir audio en décimas de segundo y en streaming, sin esperar a sintetizar la frase completa— y el manejo del español real, con cifras, horas, siglas y nombres propios bien pronunciados. Un buen TTS también marca pausas y entonación de pregunta donde toca.
Los motores modernos ofrecen además clonación y personalización de voz. Eso abre usos legítimos (una voz de marca coherente) y riesgos evidentes de suplantación, por lo que los proveedores serios exigen consentimiento del titular de la voz clonada.
También se conoce como
- text-to-speech
- voz sintética
- conversión de texto a voz
- voz neuronal
Términos relacionados
- Agente de voz IAUn agente de voz IA es un programa que mantiene conversaciones telefónicas en tiempo real combinando reconocimiento de voz (ASR), un modelo de lenguaje (LLM) y síntesis de voz (TTS). A diferencia de un IVR de menús, entiende peticiones en lenguaje natural y puede ejecutar acciones como agendar, informar o transferir la llamada.
- Reconocimiento de voz (ASR)El reconocimiento de voz o ASR (automatic speech recognition) es la tecnología que convierte automáticamente la voz humana en texto. Es la primera pieza de cualquier sistema de voz con IA: transforma lo que dice el llamante en texto que un modelo de lenguaje puede procesar.
- IA conversacionalLa IA conversacional es la rama de la inteligencia artificial que permite a las máquinas mantener diálogos naturales con personas, por texto o por voz. Combina comprensión del lenguaje, gestión del contexto de la conversación y generación de respuestas, y es la base de los chatbots y agentes de voz modernos.
- Latencia de vozLa latencia de voz es el tiempo que transcurre entre que una persona termina de hablar y su interlocutor —humano o máquina— empieza a responder. En los agentes de voz con IA suma los tiempos de reconocimiento, generación y síntesis; por debajo de unos 800 milisegundos la conversación se percibe como natural.