Unidad 5. Síntesis de voz: cómo habla una Inteligencia Artificial

Material didáctico en español para alumnado de secundaria, Bachillerato y FP. Capítulo 5 del curso completo de Inteligencia Artificial.

Curso de Inteligencia Artificial · Bloque I: Fundamentos · Nivel inicial
Duración sugerida: 2 sesiones de 55 minutos y una tarea de ampliación.
Materiales: portátil, navegador, auriculares y un editor de texto. No se necesita programar para realizar las actividades principales.

Antes de empezar: ¿puede leer un ordenador?

Imagina que estás siguiendo una ruta en el móvil y escuchas «En doscientos metros, gira a la derecha». Nadie ha grabado previamente una locución específica para cada calle, cada distancia y cada posible recorrido. Un programa convierte información escrita en una secuencia de sonidos que podemos entender. Esa tecnología se llama síntesis de voz, o TTS (Text to Speech, «texto a voz»).

Los sistemas de voz también pueden trabajar en el sentido contrario: convertir lo que decimos en palabras escritas. Es importante no confundirlos. TTS: texto de entrada y voz de salida. ASR: voz de entrada y texto de salida. En esta unidad nos centraremos en TTS, siguiendo la unidad 5 del currículo de Hong Kong; el reconocimiento del habla se estudia con mayor detalle en la unidad 11.

Al finalizar podrás: explicar qué es TTS, describir sus principales etapas, diferenciar claridad y naturalidad, identificar aplicaciones de accesibilidad y evaluar una voz sintética justificando tus conclusiones.

5.1. El lenguaje hablado transmite más que palabras

Cuando hablamos no solo emitimos una sucesión de palabras. También transmitimos información mediante el ritmo, la entonación, las pausas, el volumen y el énfasis. Compara estas frases:

• «¡Qué bien!» pronunciado con entusiasmo puede expresar alegría.
• «Qué bien…» dicho con una pausa larga y un tono descendente puede transmitir decepción o ironía.
• «¿Vienes mañana?» y «Vienes mañana.» contienen palabras casi idénticas, pero la entonación y los signos cambian la intención comunicativa.

Para una persona, esos matices suelen resultar naturales. Para un sistema de síntesis, producir sonidos comprensibles es solo una parte del problema. También debe escoger cómo distribuir las pausas, qué sílabas destacar y cómo pronunciar cifras, abreviaturas, nombres propios o palabras extranjeras.

El resultado puede ser muy realista, pero una voz que suena humana no demuestra que el programa comprenda lo que dice. La generación del sonido y la veracidad del contenido son problemas distintos.

5.2. ¿Qué es TTS y dónde se utiliza?

Un sistema TTS convierte texto escrito en una señal de audio. No basta con reproducir una colección de palabras grabadas: la aplicación debe poder producir frases nuevas y resolver aspectos de su pronunciación. En la actualidad existen sistemas basados en reglas y sistemas apoyados en modelos estadísticos o redes neuronales; muchos combinan distintas técnicas.

Encontramos TTS en los lectores de pantalla que facilitan el acceso a contenido digital a personas con discapacidad visual, los audiolibros, las indicaciones de navegación, las comunicaciones automáticas en transportes y las herramientas de apoyo a la lectura. También se utiliza en asistentes virtuales y videojuegos.

Ejemplo cercano al aula. Un alumno con dificultades de lectura puede escuchar las instrucciones de una práctica mientras sigue el texto. La voz sintética no sustituye el trabajo docente, pero puede ofrecer otra forma de acceder a la información. Para que sea útil, la pronunciación debe ser comprensible y el alumno debe poder controlar la reproducción.

5.3. Cómo pasa un texto a convertirse en voz

Tomemos la frase «La clase empieza a las 8:30». Un buen sintetizador no debería leerla como «ocho dos puntos treinta». El sistema intenta convertirla en una expresión adecuada: «La clase empieza a las ocho y media» o «a las ocho treinta», según el contexto y la variante de lengua. Este paso se denomina normalización del texto.

Después entra en juego el análisis lingüístico. El sistema identifica palabras y posibles pronunciaciones, resuelve la relación entre grafías y sonidos (fonemas) y estima aspectos de la prosodia: duración, pausas y entonación. Finalmente, un componente de generación de audio produce una señal que puede escucharse mediante los altavoces.

Este esquema es didáctico: no todos los sintetizadores modernos separan las etapas de la misma manera. Algunos modelos neuronales generan la señal directamente a partir del texto con procesos internos diferentes, pero deben resolver problemas semejantes.

5.3.1. Fonemas y pronunciación

Un fonema es una unidad sonora que sirve para diferenciar palabras en una lengua. Las letras no equivalen siempre a fonemas: una misma letra puede sonar de forma diferente según el idioma y el contexto, y varias letras pueden representar un único sonido. Por eso, leer «paella» en castellano y leer un nombre extranjero requiere reglas y conocimientos distintos.

En el texto también aparecen números y abreviaturas. «Dr.», «3 kg» o «12/05» necesitan interpretarse en función de la frase. Si el sistema elige mal la expansión, la voz resultará extraña aunque cada palabra se pronuncie perfectamente.

5.3.2. Prosodia: lo que hace natural a la voz

La prosodia comprende cómo se distribuyen la entonación, el ritmo y los acentos. Piensa en un anuncio de estación. Una voz con largas pausas en mitad de los nombres puede resultar difícil de entender; una voz demasiado rápida, también. Una síntesis clara para una instrucción de emergencia no tiene por qué sonar igual que la narración de un cuento.

El objetivo no es únicamente imitar a una persona. Debemos evaluar si el mensaje puede comprenderse sin esfuerzo y sirve para su propósito.

5.4. ¿Cómo se entrena un sistema de síntesis de voz?

En muchos enfoques modernos se utiliza un conjunto de ejemplos de audio asociado a su transcripción. El modelo aprende regularidades que permiten relacionar el contenido escrito con propiedades del sonido. Durante el entrenamiento se ajustan numerosos parámetros para mejorar las predicciones sobre los ejemplos.

Una vez entrenado, el modelo puede producir la lectura de frases que no estaban grabadas literalmente en los datos. No significa que memorice un archivo de sonido para cada oración posible. Puede generar nuevo audio a partir de patrones aprendidos.

El resultado depende de factores como la calidad de las grabaciones, la variedad lingüística, la pronunciación de nombres propios, el ruido o la adecuación del modelo a la lengua. Un sistema entrenado principalmente para una variedad del español puede pronunciar mal ciertas palabras en otra. También pueden aparecer problemas de privacidad o uso indebido si se imitan voces identificables sin autorización.

5.5. Cómo se mide la calidad de una voz sintética

No existe una única medida que indique si una voz es «buena». Podemos distinguir inteligibilidad (se comprende lo que dice), naturalidad (cómo de humana o fluida parece), pronunciación (si respeta palabras y nombres), prosodia y adecuación (si funciona para su propósito).

Una forma de evaluación subjetiva es pedir a varias personas que asignen una puntuación de 1 a 5 a la naturalidad de varias muestras. Después puede calcularse la media, denominada Mean Opinion Score (MOS). Por ejemplo, si cuatro estudiantes dan 4, 3, 5 y 4 puntos, la media es (4 + 3 + 5 + 4) / 4 = 4. Esta media resume opiniones, no demuestra por sí sola que la lectura sea correcta.

También existen evaluaciones objetivas que comparan señales acústicas mediante medidas matemáticas. Pero una distancia baja entre dos señales no garantiza necesariamente que a las personas les parezca una voz más comprensible. Por eso es útil combinar distintas evaluaciones.

Actividad 1. La voz cambia el significado

Duración: 15 minutos · Individual y puesta en común.

1. Escribe estas expresiones: «¿Has terminado?», «¡Has terminado!» y «Has terminado.».
2. Lee cada una en voz alta; anota qué cambia: entonación, pausas, volumen o duración.
3. Explica por qué un sistema que leyera las tres con el mismo tono perdería información.
4. Propón dos ejemplos en los que la prosodia sea especialmente importante (una llamada de emergencia, un cuento infantil, un aviso de transporte…).

Entrega: una tabla con las tres frases, sus características y una explicación de 80–120 palabras.

Actividad 2. Laboratorio TTS: prueba y evalúa un sintetizador

Duración: 25 minutos · Parejas. Usa una función de «leer en voz alta» disponible en tu sistema o navegador. Si no hay ninguna, puedes crear un archivo llamado lector.html y abrirlo con un navegador compatible copiando el siguiente código:

<!doctype html>
<html lang="es">
<meta charset="utf-8">
<title>Lector de texto</title>
<label for="frase">Texto que quieres escuchar</label>
<textarea id="frase">El autobús sale a las 8:30.</textarea>
<button onclick="leer()">Escuchar</button>
<script>
function leer() {
  speechSynthesis.cancel();
  const texto = document.getElementById('frase').value;
  const mensaje = new SpeechSynthesisUtterance(texto);
  mensaje.lang = 'es-ES';
  mensaje.rate = 1;
  speechSynthesis.speak(mensaje);
}
</script>
</html>

Procedimiento:

1. Escucha una frase declarativa y una interrogativa.
2. Introduce cifras, abreviaturas y un nombre propio de tu elección que no identifique a otra persona.
3. Cambia el ritmo de lectura si la aplicación lo permite.
4. Anota lo que se entiende bien, las pronunciaciones dudosas y las pausas poco naturales.
5. Puntúa la claridad y la naturalidad por separado de 1 a 5. Comparad los resultados entre parejas.

La función utiliza las voces disponibles en el navegador o sistema operativo; puede variar de un ordenador a otro. No es necesario dar permisos de micrófono porque se genera audio a partir de texto, no se graba la voz del alumno.

Actividad 3. Diseña un lector accesible

Duración: 20 minutos · Equipo de tres. Diseñad las características de un lector de avisos para una biblioteca escolar: tipo de mensajes, elección de voz, velocidad, botones de repetir y detener, forma de indicar números de sala y qué ocurrirá si se pierde el audio. Justificad al menos tres decisiones por accesibilidad o claridad.

Comprueba lo aprendido

1. ¿Qué significa TTS? ¿En qué se diferencia de ASR?
2. ¿Por qué es necesaria la normalización de texto para leer «9:45»?
3. ¿Qué tres elementos forman parte de la prosodia?
4. Una voz se oye muy natural pero lee un medicamento de forma equivocada. ¿Dirías que el sistema funciona bien? Razona tu respuesta.
5. ¿Qué representa una puntuación MOS de 4? ¿Qué limitación presenta?

Resumen: la síntesis de voz transforma texto en audio. Para hacerlo tiene que resolver problemas de interpretación lingüística, pronunciación y generación sonora. Su calidad debe evaluarse por la claridad, la naturalidad y la utilidad real, no solo por lo convincente que suene.

Fuentes y créditos

• Fuente curricular: Education Bureau (Hong Kong), Module on Artificial Intelligence for Junior Secondary Level, Booklet 1, Unit 5, pp. 48–53 (2023). Portal oficial de recursos educativos.
• Documentación técnica complementaria: MDN Web Docs, Web Speech API. La actividad del archivo HTML está redactada para este curso.
• Imagen de portada: Jumping Jax / Unsplash. Esquema de procesos y actividades elaborados para TICenelAula.