Cómo funciona el texto a voz: de la ortografía al sonido

¿Cómo funciona el texto a voz? En tres pasos. Primero, el software limpia el texto y decide cómo debe pronunciarse cada palabra. Segundo, un modelo neuronal predice el ritmo, el tono y la duración de la frase y lo dibuja como un espectrograma. Tercero, un vocoder convierte ese espectrograma en una onda de audio que puedes escuchar. Todo el proceso tarda unos segundos en un artículo de 1,000 palabras, por eso basta con pegar un enlace y pulsar play.

¿Qué pasa realmente entre la página y tus oídos?

Piensa en una carrera de relevos con cuatro corredores. El texto entra. El texto normalizado pasa a la etapa de pronunciación. La pronunciación pasa a la etapa de prosodia. La prosodia pasa al generador de onda. Sale el audio.

Todos los motores modernos, desde la voz del menú de accesibilidad de tu teléfono hasta los narradores de las apps de lectura, siguen alguna versión de ese relevo. Algunos sistemas nuevos juntan dos o tres corredores en una sola red, pero los trabajos siguen existiendo. Solo que se hacen dentro de un único modelo.

ENTRADA   → "El Dr. Voss pagó $4.50 el 5/21."
ETAPA 1   → "El doctor Voss pagó cuatro dólares con cincuenta centavos el veintiuno de mayo."
ETAPA 2   → /el ˈdoktor ˈbos .../
ETAPA 3   → tono, duración y energía por fonema
ETAPA 4   → forma de onda, de 22,050 a 48,000 muestras por segundo

Ese es todo el truco. El resto de este artículo describe qué hace cada corredor, dónde falla y qué se oye cuando falla.

¿Por qué importa tanto la normalización del texto?

Porque el texto escrito no es texto hablable. Una página está llena de números, fechas, abreviaturas, símbolos de moneda, URLs, marcas de nota al pie y emojis. Ninguno de ellos tiene una pronunciación evidente.

La normalización los expande. «5/21/24» se convierte en «veintiuno de mayo de dos mil veinticuatro». «$4.50» se convierte en «cuatro dólares con cincuenta centavos». «Dr.» se convierte en «doctor» o «doctora» según lo que tenga alrededor. Los motores antiguos hacían esto con reglas escritas a mano. Los nuevos mezclan reglas con un pequeño modelo aprendido para los casos ambiguos.

Aquí es donde los artículos fallan de formas que notas de inmediato. Un nombre de producto como «iPhone 15 Pro Max» leído como «quince» o como «uno cinco» cambia la frase. Una cita como «[12]» leída en voz alta a mitad de párrafo rompe el hilo. Las buenas herramientas de artículo a audio eliminan las marcas de nota, saltan el texto de navegación y deciden qué hacer con las tablas antes de que la voz empiece a hablar.

En una lectura larga lo notarás en el primer minuto. Si el narrador tropieza con un número, falló la entrada, no la voz.

¿Cómo sabe el sistema cómo pronunciar cada palabra?

La ortografía dice poco sobre el sonido. El español se escribe de forma bastante regular, pero los nombres propios, las siglas y las palabras prestadas no siguen esas reglas. Un apellido como «Wagner», una sigla como «SQL» o una marca como «Ikea» tienen varias lecturas posibles, y el motor tiene que elegir una.

Por eso hace falta una etapa de pronunciación, a menudo llamada conversión de grafema a fonema, o G2P. Un fonema es la unidad mínima de sonido que distingue palabras. El inglés usa unos 40; el español, alrededor de 24. La conversión asigna letras a fonemas de dos formas. Un diccionario de pronunciación resuelve las palabras comunes y las excepciones conocidas. Un modelo aprendido adivina el resto, como un apellido que nunca ha visto.

Después entra el contexto. Las palabras que se escriben igual pero se pronuncian distinto, los llamados heterónimos, obligan al modelo a mirar la frase que las rodea. En español son menos frecuentes, pero aparecen con nombres propios, extranjerismos y siglas, y ahí es donde el sistema más se equivoca. Por eso los motores modernos usan modelos sensibles al contexto en lugar de búsquedas simples.

Donde todavía falla:

• Los nombres propios, sobre todo de origen extranjero, dentro de un texto en español.

• La jerga técnica y las siglas, donde «SQL» puede sonar como «sequel» o deletrearse letra a letra.

• Las marcas que rompen a propósito las reglas de escritura.

La mayoría de los motores te deja añadir una pronunciación personalizada. Pocos lectores lo hacen. Si una palabra sigue tropezando al narrador, esa opción merece la pena.

¿De dónde salen el ritmo y la entonación?

Esta es la etapa que separa una voz plana de una voz que puedes escuchar durante cuarenta minutos seguidos. Se llama prosodia: acento, ritmo, pausas y movimiento del tono a lo largo de la frase.

Los humanos lo hacemos sin pensar. Subimos el tono al final de una pregunta, frenamos antes de una coma y apoyamos la voz en la palabra que lleva el mensaje. Un modelo de texto a voz tiene que predecir todo eso solo a partir del texto. Para cada fonema estima tres valores: cuánto dura, a qué altura está su tono y cuánta energía lleva. Para hacerlo usa las palabras de alrededor, la puntuación y la posición de cada sonido dentro de su sílaba, de su palabra y de su frase.

La puntuación es la señal más fuerte que recibe el modelo. Una coma marca una pausa corta, un punto una más larga, y un cambio de párrafo una todavía más larga. Por eso un artículo mal formateado, sin saltos de párrafo o con un muro de comillas anidadas, suena apresurado incluso con una voz excelente.

Un dato para retener. Un narrador típico habla a unas 150 palabras por minuto. Un ensayo de 3,000 palabras dura, por tanto, unos 20 minutos de audio. La mayoría de las apps te deja subir la velocidad a 1.5x o 2x, y ese mismo ensayo pasa a durar unos 13 o 10 minutos. La calidad de la prosodia decide si 1.5x se mantiene cómodo o se convierte en un murmullo.

¿Qué es un vocoder y por qué hace falta?

Tras la planificación de la prosodia, el modelo tiene un plan, pero todavía no tiene sonido. En la mayoría de los sistemas neuronales, ese plan es un espectrograma mel: una imagen de cómo se reparte la energía entre frecuencias a lo largo del tiempo, normalmente unos 80 fotogramas por segundo.

Un espectrograma no es audio. Descarta el detalle fino de fase que hace que una onda sea una onda. Por eso hace falta un segundo modelo, el vocoder, que reconstruya una forma de onda compatible con él. Eso significa generar decenas de miles de muestras de audio por segundo, cada una un número que describe la presión del aire en ese instante.

WaveNet, publicado por DeepMind en 2016, fue el modelo que dio fama al vocoder neuronal. Generaba el audio muestra a muestra y sonaba mucho más natural que cualquier cosa anterior. También era lento. Vocoders posteriores, como HiFi-GAN, generan el audio en paralelo y van muchas veces más rápido que el tiempo real, y eso es lo que permite reproducir al instante en un teléfono.

Algunos sistemas se saltan el paso intermedio. VITS, descrito en este artículo de 2021, entrena una sola red que va de los fonemas directamente a la forma de onda. Menos relevos significan menos puntos donde se acumulan los errores.

¿Cómo llegamos aquí desde los juguetes parlantes de los años 80?

La síntesis de voz no empezó con redes neuronales. Pasó por tres eras, y en los lectores de pantalla antiguos todavía se oyen restos de las dos primeras.

Síntesis formántica y basada en reglas. Los ingenieros modelaban el tracto vocal con filtros y ajustaban los parámetros a mano. El sonido era inteligible y claramente mecánico. Es la voz de los primeros juguetes parlantes y de la primera generación de lectores de pantalla. Muchas personas con baja visión siguen usando una voz así a gran velocidad, porque es rápida, predecible y nunca cambia entre versiones.

Síntesis concatenativa o por selección de unidades. En lugar de modelar la voz, se grababa a una persona durante decenas de horas, se troceaba el audio en unidades pequeñas y, en tiempo de ejecución, se unían las correctas. Sonaba mucho más humano, pero con costuras audibles. Se notaban las uniones en palabras poco comunes, y la voz no podía cambiar de estilo sin una nueva sesión de grabación.

Síntesis neuronal. Es el enfoque actual. El modelo aprende la correspondencia completa a partir de una gran cantidad de grabaciones y genera el audio en lugar de empalmarlo. El estilo, la velocidad y la emoción se pueden controlar. Clonar una voz a partir de una muestra corta se volvió posible. Y las costuras, en su mayoría, desaparecieron.

Una aclaración honesta. Las voces neuronales no son perfectas. Pueden inventarse una palabra, comerse una sílaba o aplanar una frase que pedía énfasis. Los fallos son más raros y más extraños que los antiguos, pero existen. En documentos largos prefiero una voz algo más sobria que nunca tropieza a una voz preciosa que se equivoca en una de cada cincuenta frases.

¿Qué herramientas TTS muestran estas etapas en la práctica?

Distintos productos apuestan por cosas distintas en el relevo. Estos son algunos que conviene conocer, con una opinión honesta sobre cada uno.

Speechify apuesta por el pulido de la app y por una gran biblioteca de voces. Es fuerte en móvil y permite importar contenido desde muchas fuentes. Si buscas la mayor variedad de integraciones, empieza por aquí.

NaturalReader es el nombre más sobrio y veterano del sector. Es constante con documentos y PDF, y una opción sensata cuando lo que tienes son archivos y no artículos web.

ElevenLabs está en el otro extremo. Es, ante todo, una plataforma de generación de voz, con una prosodia sólida y clonación, pensada para producir audio que vas a publicar, no para vaciar una cola de lectura.

Voice Dream Reader es la que ya conocen muchas personas con baja visión. Te deja cambiar el motor de voz de fondo, ajustar pronunciaciones y fijar la velocidad en pasos finos, lo que convierte el proceso de arriba en algo que puedes ajustar de verdad.

Olvida la idea de que alguno tiene «la mejor voz». Lo que cambia es la entrada: cómo limpian un artículo, qué hacen con una tabla, cómo manejan un texto de 5,000 palabras con comillas anidadas. Ahí es donde un flujo de lectura triunfa o falla en silencio.

Antes de tu próximo trayecto

Conocer el relevo te da tres movimientos prácticos.

1. Limpia la entrada. Quita anuncios, avisos de cookies y ruido de notas al pie antes de enviar un artículo a audio. El modo lectura ayuda. La etapa de entrada solo puede arreglar cierta cantidad de problemas.

2. Ajusta la velocidad a la prosodia. Si una voz suena bien a 1.0x pero se rompe a 1.5x, su modelo de duración es el punto débil. Prueba otra voz antes de renunciar a la velocidad.

3. Corrige a los reincidentes. Si un nombre o una sigla siempre sale mal, añade una pronunciación personalizada una sola vez en lugar de aguantarlo durante meses.

Además, prueba con tu peor artículo, no con el mejor. Un post limpio de 800 palabras no demuestra nada. Un texto denso de 4,000 palabras, con números, citas y una tabla, es el examen de verdad.

Tu cola debería verse así: TRANSMITIENDO → voz: narrador-calmado → formato: mp3 → duración: 8m42s.

Antes de tu próximo trayecto, pon en cola una lectura larga y una corta. Escucha los primeros dos minutos de cada una a velocidad normal y luego a 1.5x. Oirás las etapas que acabamos de ver y sabrás qué corredor dejó caer el testigo.