Síntese de Voz (TTS)
Classe de geração de áudio, TTS transforma texto em fala por modelos linguísticos, acústicos e vocoders. Sistemas atuais produzem voz em 16, 22,05 ou 24 kHz e podem operar em nuvem ou localmente. Comparado a áudios pré-gravados, adapta qualquer mensagem em tempo real, mas pode introduzir pronúncia incorreta, prosódia artificial ou atraso. Home Assistant, Alexa e Google usam síntese para avisos e respostas, enquanto a inteligibilidade depende da voz, idioma e alto-falante.
Síntese de Voz é a conversão automática de texto em uma forma de onda audível. A arquitetura moderna costuma separar normalização do texto, análise de pronúncia, geração de representação acústica e vocoder, embora modelos neurais mais recentes integrem várias etapas. Em automação residencial, TTS anuncia portas abertas, alarmes, previsão, consumo de energia e lembretes por alto-falantes distribuídos. Serviços em nuvem oferecem vozes expressivas e muitos idiomas; motores locais reduzem dependência externa e exposição de conteúdo. A escolha envolve qualidade, latência, custo, suporte ao português, capacidade de cache e compatibilidade com o sistema de áudio. Mensagens críticas precisam evitar frases longas e devem prever falhas de reprodução.
- Converte texto dinâmico em fala, diferente de reproduzir arquivos de áudio fixos
- Qualidade depende de normalização, pronúncia, prosódia, vocoder e taxa de amostragem
- Pode operar localmente ou em nuvem, alterando privacidade, custo e disponibilidade
- Mensagens de automação devem considerar volume, prioridade e confirmação de reprodução