Google acaba de enviar un artículo a la comunidad científica sobre sus avances en la síntesis del habla. Gracias a su sistema Tacotron 2, habría logrado generar una transmisión de audio con un resultado tan natural que no podría distinguirse del producido por una voz humana.

Tacotron 2 se basa en dos redes neuronales. El primero divide el texto en secuencias y las transforma en un espectrograma. Es decir, un diagrama que representa visualmente la intensidad de las frecuencias de audio. El segundo, llamado WaveNet, genera automáticamente archivos de audio. Su particularidad es que fue desarrollado originalmente por DeepMind, la famosa compañía de inteligencia artificial propiedad de Alphabet. WaveNet ya usa las voces en inglés y japonés de Google Assistant utilizando un método de aprendizaje no supervisado: no depende de una gran base de datos alimentada por grabaciones de actores. Esta es una versión de arquitectura ligeramente modificada que se ha utilizado aquí. WaveNet actúa como un vocoder para sintetizar las formas de onda temporales de los spectograms.

Tacotron 2 es tan poderoso que puede manejar palabras difíciles de pronunciar sin problemas y puede variar sutilmente el volumen, como la velocidad de la voz. También modifica la entonación de acuerdo con la puntuación, acentuando, por ejemplo, los términos escritos en letras mayúsculas.

Un poco de pesar de todos modos, Tacotron 2 se expresa por el momento con una voz femenina y en inglés. Para hablar con otra voz femenina o voz masculina, sería necesario que la inteligencia artificial sea impulsada nuevamente. Aún queda un poco por recorrer antes de beneficiar aplicaciones como Google Assistant.