Glosario de IA · Voz
Síntesis de voz
En una frase
La síntesis de voz es la producción artificial de voz humana por ordenador. Es la disciplina que hay detrás del text to speech, de la clonación de voz y de los agentes que hablan, y hoy se basa sobre todo en redes neuronales entrenadas con grabaciones reales.
También se llama: voz sintética · voz artificial · generación de voz · speech synthesis
¿Qué es la síntesis de voz?
Es la rama que enseña a las máquinas a hablar. Su aplicación más conocida es el text to speech, que lee un texto en voz alta, pero el campo es más amplio: incluye convertir una voz en otra, crear voces nuevas o imitar la de una persona concreta.
Llévalo a tu empresa
Un agente de voz que coge el teléfono
Desde 149 €/mes + IVA
Atiende llamadas 24/7, agenda citas y deja cada llamada apuntada en el CRM.
Ver el agente de vozEn pocas décadas ha cambiado mucho:
| Generación | Cómo funciona | Cómo suena |
|---|---|---|
| Concatenativa | Pega trocitos de voz grabada | Clara, pero con saltos entre sílabas |
| Paramétrica | Un modelo estadístico calcula la voz | Fluida, pero metálica |
| Neuronal | Una red neuronal genera la onda de sonido | Muy natural, con entonación y pausas |
La generación neuronal es la que hace posible que un agente telefónico suene como una persona y no como un contestador.
Relacionado con este término
UTIO Voice
- 500 minutos y un número incluidos
- Conversación natural en 26 idiomas
- Se presenta como asistente virtual
- Prueba de 14 días sin tarjeta
Desde 149 €/mes + IVA
Ver el agente de vozCómo funciona
La síntesis neuronal suele trabajar en dos fases:
- Del texto al plan del sonido. Un modelo decide pronunciación, ritmo, entonación y énfasis, lo que se llama prosodia. Es la parte que da naturalidad: subir el tono al final de una pregunta, hacer una pausa antes de un dato importante.
- Del plan al audio. Otro modelo, el vocoder, convierte ese plan en la onda de sonido que oyes.
Algunos modelos recientes hacen las dos cosas a la vez e incluso trabajan de voz a voz. En conversación, la síntesis debe ser rápida y empezar a sonar antes de tener la frase completa: si no, el voicebot responde con un silencio incómodo.
La calidad de una voz sintética se juzga sobre todo de oído, con pruebas de escucha. Las métricas automáticas ayudan, pero no sustituyen a una persona que escucha y dice si suena natural y se entiende.
Ejemplo
Una bodega de La Rioja quiere audioguías en español, inglés y francés para su visita. Grabar tres locuciones profesionales y rehacerlas cada vez que cambia el recorrido era caro. Con síntesis de voz, el equipo escribe el guion y genera el audio en los tres idiomas con voces neuronales. Cuando cambia una sala, se corrige el texto y se vuelve a generar ese tramo. Para el saludo final, el enólogo grabó su propia voz: la bodega descartó clonarla.
Cómo te afecta en tu empresa
La síntesis de voz ya es lo bastante natural para atender llamadas, leer avisos o crear audios de formación. Las dos precauciones son la transparencia y el consentimiento: avisa de que habla una IA y no imites la voz de nadie sin permiso por escrito.
En el agente de voz de UTIO, la voz sintética la ponen proveedores de EE. UU. bajo garantías contractuales, y el agente se presenta como asistente virtual al empezar cada llamada. Si desarrollas, la API de IA ofrece texto a voz en varios idiomas y voces.
Preguntas frecuentes
¿Qué es la clonación de voz?
Es una técnica de síntesis que crea una voz artificial parecida a la de una persona concreta a partir de grabaciones suyas. Tiene usos legítimos, como dar voz a una marca o a alguien que la ha perdido, pero exige el consentimiento expreso de esa persona.
¿Es legal usar una voz sintética para atender a clientes?
Sí, con transparencia. El Reglamento europeo de IA pide que las personas sepan cuándo interactúan con una IA y que el audio generado se pueda identificar como artificial. Lo práctico es que el agente se presente como asistente virtual.
¿Qué diferencia hay entre síntesis de voz y text to speech?
La síntesis de voz es el campo completo: todas las formas de generar voz artificial. El text to speech es la aplicación que parte de un texto escrito. Hay síntesis que no parte de texto, como la conversión de una voz en otra.
Términos relacionados
- Text to speech
Text to speech (TTS) es la tecnología que convierte un texto escrito en voz hablada. Es el componente, normalmente un modelo accesible por API, que pone voz a un agente telefónico, a un lector de pantalla o a un audio generado a partir de un texto.
- Voicebot
Un voicebot es un programa que conversa por voz: escucha lo que dice una persona, entiende qué quiere y le responde hablando. Puede funcionar en una llamada, una web, una app o un altavoz, y con IA generativa mantiene conversaciones abiertas, no solo menús.
- AI Act (Reglamento europeo de IA)
El AI Act es el Reglamento (UE) 2024/1689, la ley europea de inteligencia artificial. Clasifica los sistemas de IA por nivel de riesgo y fija obligaciones para quien los desarrolla y quien los usa, desde la prohibición de algunos usos hasta deberes de transparencia.
- Red neuronal
Una red neuronal artificial es un modelo matemático formado por capas de unidades conectadas, llamadas neuronas, que transforman una entrada numérica en una salida. Aprende ajustando el peso de cada conexión a partir de ejemplos.
Actualizado el