Síntesis de voz y selección de voz.

Mecánica: la síntesis del habla se produce en dos etapas. Primero, el modelo predice la prosodia (tono, duración de los sonidos, pausas, entonación) y luego el vocoder la convierte en una onda sonora. El mismo texto suena diferente porque el modelo adivina la emoción y el ritmo a partir de la puntuación, las mayúsculas y minúsculas y los parámetros especificados. Tus palancas: timbre (masculino/femenino/neutral), edad, emoción, tempo, lenguaje y acento. Información privilegiada: es más confiable definir una emoción no con la palabra "alegre", sino con un comentario de contexto y la puntuación correcta: un punto calma, una elipsis tira, una exclamación aumenta la energía. Segunda idea: para publicidad, utilice una voz entre un 10 y un 15% más rápida de lo que le resulta cómodo; durante la edición, el habla lenta suena lenta. Error de principiante: buscar una “voz agradable universal” para todo. Una voz es un casting: un narrador de un audiolibro acabará con un vídeo dinámico y un vendedor alegre no leerá una meditación.