Las voces sintéticas han evolucionado a pasos agigantados en los últimos años. Pasar de un texto escrito a un discurso hablado que suene natural y de forma automática es posible utilizando técnicas de inteligencia artificial y algoritmos para el procesamiento del sonido.
Antiguamente, en los tiempos en los que Loquendo se puso de moda por ser la voz robótica que locutaba los primeros vídeos publicados en redes sociales, la síntesis de voz se realizaba mediante la concatenación de segmentos de sonidos del habla. Se partía de una ‘librería de sonidos’ y se enlazaban los fragmentos de audio grabados para cada palabra en función de su duración y entonación. Los resultados de los modelos concatenativos y paramétricos eran asombrosos y divertidos, pero muy alejados de lo que acostumbramos a escuchar de una persona de carne y hueso.
Las tecnologías más modernas han mejorado este proceso trayendo resultados mucho más naturales y expresivos hasta tal punto que cuesta diferenciarlos del habla natural de un humano.
Entran en juego los denominados modelos generativos, modelos matemáticos capaces de aprender ciertos patrones de nuestro habla, como la prosodia, el tono, o la energía, aprendiendo del contexto, creando asociaciones entre fonemas y sonidos, y generando, cada vez, un resultado distinto.
Carlos Muñoz-Romero es cofundador de Monoceros Labs e investiga desde 2019 sobre tecnologías relacionadas con la síntesis de voz.
Estos modelos son como imitadores, infiere cómo cree que una persona habla con lo que ha aprendido de ella. Esto es muy útil a la hora de reproducir acentos como el andaluz, ya que permite imitar exactamente un estilo de habla, cosa que no pasaba con los modelos concatenativos.
Además podemos crear nuevas voces e introducir respiraciones, risas y otros elementos del lenguaje que facilitan la comunicación.
Carlos Muñoz-Romero
Del texto al habla
En la síntesis de voz todo comienza con un texto escrito que debe ser interpretado. Pero antes de eso, durante el proceso de entrenamiento del modelo de síntesis del habla, hay que alinear el texto al sonido y a sus características, las cuales son dependientes del idioma. Por esta razón encontramos algunos retos asociados a la lingüística y la fonética, un área de especialización crucial para poder desarrollar tecnologías adecuadas a cada idioma.
Entre los retos más clásicos están la lectura de números, cuya interpretación depende del contexto, o también la interpretación de palabras que no se leen como se escriben, caso de acrónimos y anglicismos.
En otros idiomas distintos al español existen muchos conjuntos de datos disponibles y hay más esfuerzo por parte de empresas e instituciones. El equipo de Monoceros Labs lleva más de tres años investigando sobre síntesis de voz en español y hemos desarrollado tanto técnicas que necesitan muchos datos como otras otras técnicas que requieren menos, pero que igualmente nos permiten buenos resultados en menor tiempo.
Cantidad y calidad de las muestras
Para que las máquinas aprendan a hablar, el modelo necesita una serie de muestras: la lectura de frases con un estilo concreto. Por ejemplo, si quieres que una voz sintética sepa hacer preguntas, alguien debe enseñarle cómo se entonan esas preguntas.
La calidad de esos audios también es un factor importante. Ecos, pops y otros ruidos no deseados pueden aparecer en las muestras durante el proceso de grabación. Si estos ruidos no se limpian, el algoritmo lo aprenderá y los reproducirá de forma inoportuna, algo poco deseable para una buena calidad sonora.
Todos estos detalles son necesarios para que los infiera un modelo de síntesis de voz.
Pero ¿cómo suena todo esto? Hemos mencionado que los algoritmos buscan patrones donde existan ciertas características del estilo del habla. Pero hay otra parte del proceso que también forma parte del procesamiento y síntesis de la voz: la generación del sonido final. Para ello usamos un vocoder, un sintetizador que decodifica una matriz de valores (variables del espacio latente) a la onda de sonido de la voz. Los vocoders son muy populares en la creación musical para introducir efectos de sonido, incluso como filtros de voz. En este caso no lo usamos para filtrar la voz y que parezca sintética, sino para sintetizar el audio, y que éste parezca, de hecho, más natural.
