TTSText-to-Speech
La tecnología que lee un texto en voz alta
- TTS (Text-to-Speech, texto a voz) es la tecnología que recibe un texto y lo lee en voz alta.
- Por dentro pasa por un orden fijo: limpiar el texto → decidir la pronunciación → decidir la entonación y la duración → generar el sonido real.
- La entonación, las pausas y el ritmo no están escritos en el texto; la máquina tiene que inventarlos. Ahí se juega gran parte de lo natural que suena.
- Los puntos donde más falla son los números, los símbolos, las siglas y las palabras que solo se leen bien con contexto.
- Como el sonido se va soltando desde el principio, un texto largo se puede empezar a escuchar desde la primera frase.
Contenido
1La analogía
Una máquina de hielo, con solo apretar un botón, saca cubitos sin parar mientras se le eche agua. Lo que entra es agua líquida y lo que sale es hielo que se puede tocar; y si sale en trocitos o en un bloque grande se decide de antemano con una palanca. Si el agua está turbia, el hielo también sale nublado, y si se saca con prisa, salen trozos a medio congelar mezclados con el resto.
TTS es la máquina de hielo donde se echa texto. Se vierte la letra de la pantalla y sale, seguido, un sonido que se puede oír. Con qué voz y a qué velocidad se produce es la palanca que se deja puesta de antemano, y si el texto que se echa está desordenado, el sonido que sale también resulta raro.
También se puede dejar hielo hecho de antemano en el depósito: las frases que se repiten siempre igual, como un anuncio de megafonía, se generan una sola vez y luego se sacan cuando hacen falta.
2En detalle
Primero hay que dejar el texto en forma de poder leerse
En la pantalla hay cosas que no se pueden pasar a sonido tal cual: números, símbolos de unidad, abreviaturas, paréntesis, signos de moneda. El primer paso es desplegar todo eso en palabras que sí se puedan leer.
El mismo número se lee distinto según el lugar. No se lee igual una fecha que una cantidad de cosas, un precio o un número de teléfono, y la hora se despliega de otra manera todavía. Si este paso se hace de cualquier manera, por muy buena que sea la voz después, el resultado suena raro.
El español tiene aquí su propia complicación. Los géneros y los plurales cambian cómo se leen ciertas palabras cercanas a un número, y cuando se mezclan siglas extranjeras con palabras en español hay que decidir qué regla de pronunciación seguir.
Se decide cómo leer cada cosa
El texto ya limpio se convierte en las unidades mínimas de sonido. Esto no es la letra tal cual, sino cómo se pronuncia de verdad, así que aquí se aplican las reglas de cómo una letra cambia de sonido según lo que tenga alrededor.
Lo más difícil son las palabras que se escriben igual pero significan cosas distintas. "Continuo", sin tilde, puede ser un adjetivo o el verbo "continuar" en primera persona, y solo el acento escrito ("continuo", "continúo", "continuó") marca la diferencia; cuando ese acento se pierde en un texto escrito deprisa, solo el contexto dice cuál es. Con una sola frase corta, sin nada alrededor, la posibilidad de leerla mal sube.
Los nombres de persona, los nombres de negocios y las palabras recién inventadas también fallan a menudo. Algunos servicios dejan escribir a mano cómo se debe leer una palabra concreta.
La entonación y las pausas no están en el texto
El texto no dice qué palabra hay que remarcar, dónde respirar, ni si el final de la frase sube o baja. Al pasar a sonido, esa información hay que crearla desde cero. Por eso una lectura sin entonación suena a robot.
Las pistas están en la puntuación y en cómo está armada la frase. Si hay un signo de interrogación, el final sube; en una coma se hace una pausa breve; si delante va una frase larga con muchos complementos, se corta un poco después de ella. Por eso la misma frase, con la puntuación cambiada, suena distinta al leerla.
Aun así, no llega a saber tanto de la situación como una persona. Si es una buena noticia o una mala, si es en broma o en serio, eso no aparece en las letras. Donde hace falta transmitir una emoción, conviene marcar la entonación aparte.
El sonido real llega al final
Hasta aquí todavía no hay sonido. Lo que hay es más bien un plano: qué pronunciar, durante cuánto tiempo y a qué altura. En el último paso hay una parte separada que convierte ese plano en una forma de onda real, y a esa parte se le llama vocoder.
Si la primera parte está bien hecha pero la segunda sale tosca, quedan chirridos o zumbidos; si la segunda es buena pero la primera dibuja mal la entonación, sale una lectura clara pero rara. Que la voz suene natural depende de que las dos partes funcionen bien juntas.
Se va soltando desde el principio
Si se generara el texto entero de un tirón y luego se reprodujera, habría que esperar mucho para el primer sonido. Por eso se genera por frases o por bloques, soltando desde el principio. Es como no esperar a que se congele todo el hielo y sacar primero lo que ya está listo.
Las frases que se usan mucho, como los avisos habituales, a veces se dejan hechas de antemano. En cambio, una frase con un nombre o una cantidad distinta cada vez solo se puede generar en el momento, así que muchos servicios mezclan los dos métodos.
3Con más precisión
El método que se usa hoy en día suele dividirse en dos partes. La primera recibe el texto y dibuja, como si fuera un plano, qué sonido y en qué cantidad debe entrar en cada instante; la segunda convierte ese plano en una forma de onda audible. Lo que dibuja la primera parte es un espectrograma, y la segunda parte es el vocoder. También hay métodos que juntan las dos partes en un solo bloque y entregan directamente la forma de onda.
También hay puntos donde la analogía se queda corta. La máquina de hielo solo cambia la forma del agua, pero TTS añade muchísima información que no estaba en el texto original. La entonación, las pausas, el ritmo y el timbre de la voz no están escritos en ninguna letra; se aprendieron de las lecturas usadas para entrenar el modelo. Por eso es normal que el mismo texto, leído dos veces, no salga con un sonido idéntico, y que la impresión de una frase cambie según con qué voz se lea. A diferencia del agua, donde la cantidad de hielo depende de lo que se eche, aquí incluso la duración del sonido la decide la máquina.
4Pruébalo
5Malentendidos comunes
Es fácil pensar que se pegan trozos de voz grabada de antemano, pero en realidad el sonido se genera nuevo en el momento, por eso puede leer frases que nunca se grabaron.
Es fácil pensar que basta con que el texto esté bien escrito para que se lea bien, pero en realidad hay muchas palabras que se escriben igual y se leen distinto, así que sin contexto se pronuncian mal.
Es fácil pensar que si la voz suena humana es porque la grabó una persona, pero en realidad hasta la respiración y las vacilaciones se imitan, así que es difícil distinguirla de oído.
7Resumen en una línea
En resumenTTS es una tecnología parecida a una máquina de hielo donde se vierte texto y sale sonido, y su clave está en inventar la entonación y las pausas que el texto nunca tuvo.
¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización2026-09-02