Voces TTS personalizadas: cinco cosas que los gestores de marca deben saber

Su marca tiene un logotipo, una paleta de colores y hasta unas características humanas implícitas que se han elegido cuidadosamente para establecer conexiones significativas con el público.

¿Por qué no tener también una voz?

Un locutor puede proporcionarle una voz para su marca, pero nadie puede estar en todas partes al mismo tiempo. Un locutor probablemente no pueda grabar todos los enunciados que usted necesita para crear un servicio de atención telefónica automatizado, asistentes que funcionan con IA, contenido digital, lectores de periódicos, etc. La comunicación por voz a escala requiere de voces digitales.

Ese es el motivo por el que muchos gestores de marca recurren al texto a voz (TTS) para conseguir una voz personalizada, un activo de marca único que garantiza la coherencia en todos los canales de audio.

Hace una década, no habría sido posible lograr algo así con la tecnología TTS. Entonces, las voces digitales no sonaban tan bien como lo hacen ahora. Pero, hoy día, la IA ha alcanzado nuevos niveles de calidad para desarrollar voces realistas. Las redes neuronales y el aprendizaje automático permiten crear voces mucho más realistas, que es por lo que las voces basadas en IA también se conocen como tecnología TTS neuronal.

Con esta tecnología puede tener una voz digital personalizada que represente a su marca de un modo tan natural y cercano como su actor favorito.

Pero existen ciertos límites en cuanto a lo que una voz personalizada desarrollada con IA puede hacer. Hay métodos buenos y otros no tan buenos para crear una voz basada en IA. En resumen, esta nueva tecnología genera mucha incertidumbre; por eso queremos aclarar unas cuantas cosas.

En este artículo, le hablamos de los cinco aspectos importantes de las voces personalizadas basadas en IA que los gestores de una marca deben conocer.

Cinco cosas que tener en cuenta para crear una voz TTS personalizada

Hay mucho revuelo en torno a la IA, y con la tecnología TTS neuronal también ocurre lo mismo. Muchos proveedores de voces basadas en IA prometen la luna, pero si suena demasiado bien como para ser verdad, probablemente lo sea.

Le contamos la verdad sobre las voces basadas en IA personalizadas.

1. Los recursos computacionales disponibles determinan la calidad de audio de una voz basada en IA

Las voces neuronales suenan increíblemente realistas. Eso sí, las versiones de alta definición y ricas en información de esas voces precisan de mucha capacidad computacional, por lo que es posible que no sirvan para todos los casos.

Para crear un archivo de voz estático como el de un audiolibro, lo mejor es usar una voz de alta calidad basada en IA. Funcionará muy bien y sonará estupendamente.

Para reproducir en directo audios generados de forma dinámica, como sería el caso de un asistente virtual desarrollado con IA, lo más probable es que necesite una voz TTS más ligera y más rápida de procesar. Lo mismo sería aplicable para integrar el texto a voz en un dispositivo.

En ReadSpeaker trabajamos con varias tecnologías para ofrecer la mejor calidad posible de TTS, ya no solo en general, sino también para el sistema específico que usted utilice o su caso de uso. Esto incluye voces basadas en IA de muy alta definición. También incluye voces neuronales que requieren poco espacio y capacidad de cómputo para su integración en los dispositivos y un sistema de selección de unidades de síntesis (USS, por sus siglas en inglés), una técnica para desarrollar voces TTS ultraligeras.

Pero comparar una voz TTS compacta con la voz basada en IA más pesada que exige un uso intensivo de recursos es como mezclar las churras con las merinas.

¿Nuestro consejo? Pregunte siempre a su proveedor de TTS qué tipo de herramientas informáticas necesita para implementar la voz que desee. No dé por sentado que la voz basada en IA de mayor calidad será la que mejor le funcionará.

La realidad técnica es que las voces con el mejor sonido de hoy en día no sirven para todas las situaciones. Pero en ReadSpeaker podemos trabajar con usted para desarrollar una voz TTS personalizada según el contexto, buscando el equilibrio perfecto entre calidad y huella ecológica para cada implementación.

2. La colaboración es fundamental para crear una voz digital para su marca

Algunos sistemas de generación de voces basadas en IA se venden como herramientas sencillas; dicen que con subir unas cuantas grabaciones ya puede conseguir una voz TTS. Estas plataformas de generación de voces basadas en IA suelen cumplir lo que prometen, pero eso no implica que vaya a quedar satisfecho con el resultado.

Un sistema de autoservicio de generación de voces basadas en IA es tan solo una herramienta, igual que lo es una cámara de vídeo. Ya puede tener la mejor cámara del mundo, que si no sabe cómo rodar una película no ganará ningún Óscar.

Para crear una voz de TTS es igual. Es un proceso que requiere de muchos conocimientos de diferentes disciplinas para conseguir un buen resultado: lingüistas computacionales, ingenieros de IA, entrenadores vocales, técnicos de grabación, locutores y muchos más.

Lo más importante es que se implique en el proyecto. Usted es quien mejor conoce su marca. ¿Es sincera y alegre? ¿Guerrera y aventurera? ¿O más bien dulce y tranquilizadora? La voz debe reflejar la personalidad de la marca.

Dicho de otro modo, la tecnología de voz basada en IA no es suficiente por sí sola. También necesita experiencias reales, y eso nos lleva al siguiente punto.

3. Es posible que una voz TTS no tenga la pronunciación perfecta desde el primer momento

Seamos realistas: es prácticamente imposible que una voz TTS pronuncie todas las palabras perfectamente desde el principio.

Pongamos un ejemplo con una plataforma para escuchar música en directo. Ninguna base de datos incluirá el nombre de todos los artistas y sus canciones. Si aparece una palabra que no está entre los datos con los que se entrena la herramienta, la voz basada en IA intentará adivinar la forma correcta de pronunciarla. Los modelos y algoritmos de predicción funcionan bien, pero no son infalibles.

Ahora piense en la terminología propia de su sector. Piense en los acrónimos, los nombres propios y los extranjerismos. La única forma de conseguir que su voz personalizada pronuncie correctamente todas esas palabras es supervisando y mejorando con regularidad el diccionario de pronunciación del sistema.

En ReadSpeaker invertimos mucho en la correcta pronunciación de las palabras. Los ajustes de pronunciación forman parte de cualquier acuerdo técnico y de mantenimiento. Incluso comprobamos el contenido y testamos su voz para adelantarnos a las correcciones.

Un sistema de autoservicio de generación de voces basadas en IA no le ofrecerá una asistencia de este tipo para garantizar la calidad de forma continuada, y los gigantes tecnológicos tampoco.

4. Todas las voces TTS necesitan de un locutor, y los locutores tienen derechos que hay que proteger

Las redes neuronales necesitan una base de datos para generar las voces basadas en IA, y esos datos solo se pueden conseguir mediante las grabaciones de voz de personas. Ya se lo hemos dicho antes, pero se lo decimos de nuevo: pregunte a su proveedor de voces basadas en IA de dónde saca los datos.

Detrás de cada voz TTS personalizada hay un locutor. Los proveedores de voces que no hacen un uso ético de la IA usan grabaciones de los oradores sin su consentimiento, vulnerando así sus derechos. Pero, además, es posible que pueda verse sujeto a responsabilidades legales en el futuro.

Asegúrese de que la voz de su marca sea segura y de que se desarrolle de forma responsable. En ReadSpeaker hacemos un uso ético de la IA, pues creamos nuestra propia base de datos y firmamos contratos con las partes implicadas en el proceso. Es decir, grabamos a los locutores, les pagamos con tarifas justas y todas las partes se ponen de acuerdo en los usos permitidos de la voz.

Los locutores confían en ReadSpeaker y eso nos da muchas opciones para crear voces personalizadas basadas en IA, ya que disponemos de más locutores que un proveedor que no es de confianza. La reputación que nos hemos ganado gracias al uso ético que hacemos de la IA nos ha dado la posibilidad de trabajar en proyectos fantásticos, como el trabajo que realizamos con Giancarlo Esposito para desarrollar la voz basada en IA personalizada para Sonos Voice Control.

5. Después de la implementación necesitará un servicio técnico

Crear una voz basada en IA personalizada es una cosa, pero asegurarse de que funciona correctamente en todos los canales y en diferentes plataformas tecnológicas es otra muy distinta.

Lo cierto es que con la IA se pueden conseguir resultados sorprendentes, pero necesita un proveedor de TTS para solucionar cualquier problema que pueda surgir, así como un servicio técnico continuo para mejorar la pronunciación y ayudarle con la integración de su voz personalizada en los nuevos canales que quiera ir añadiendo.

ReadSpeaker no desaparecerá una vez que hayamos creado su voz personalizada. Estaremos siempre a su disposición para asegurarnos de que la voz cubre sus necesidades tal y como usted quiere, y nos encargaremos de mantener su herramienta TTS actualizada con independencia de cómo vaya evolucionando la tecnología.

Ninguna de las muchas empresas emergentes que se dedican a crear voces basadas en IA le ofrecerán la misma asistencia, y tampoco lo harán las grandes empresas tecnológicas que venden el TTS entre muchas otras cosas. ReadSpeaker es más que una empresa de desarrollo de voces basadas en IA, es una empresa que ofrece servicios de consultoría para todo su catálogo de voces.

Servicios de consultoría de ReadSpeaker para las voces personalizadas

¿En qué consiste la consultoría de voces personalizadas? Lo primero que hacemos es elegir al locutor perfecto para crear la identidad oral de su marca.

Esta tarea es más complicada de lo que pueda parecer. Escuchamos a todos los candidatos, ya sean nuestros locutores o el consejero delegado de su empresa, para valorar qué voz es la más idónea para la herramienta TTS. Para ello, nos fijamos en los elementos que pueden no cualificar a un posible locutor.

Aunque la voz de una persona suene muy bien en directo, es posible que algunas características no se trasladen bien al convertirla en una voz basada en IA:

• aspereza y acompasamiento de la respiración;
• ritmo inconsistente, entonación u otra cualidad oral;
• dicción demasiado rápida o demasiado lenta;
• nasalidad;
• vocalización poco clara.

Analizamos multitud de voces para encontrar las cualidades vocales perfectas. Es muy importante elegir al orador que mejor refleje la personalidad de su marca. Además, podemos hacer que la voz TTS final represente a un hombre, a una mujer o a una persona de género neutro y que tenga la edad y la combinación de características vocales que desee.

No podemos reducir este proceso a una lista técnica de verificación. Seleccionar una voz para TTS es tanto un arte como una ciencia.

Una vez que hemos elegido a unos cuantos locutores, trabajamos con usted para elegir al más apropiado. Luego grabamos unas horas de guiones TTS diseñados especialmente para crear el estilo del habla que mejor se amolda a su marca. Cuando dé el visto bueno a las grabaciones, se usarán como base de datos para entrenar la voz digital.

Introducimos los datos en nuestra propia tecnología basada en redes neuronales profundas (DNN) para hacer una voz de prueba. Después le mostramos los avances para que los valide antes de proceder a la modulación de la voz. Por último, cuando ya estemos todos contentos con el resultado de la voz basada en IA de su marca, le ayudamos a integrarla en todos los canales de audio de los que disponga.

Como ve, ofrecemos un servicio integral para crear voces personalizadas con un resultado espectacular.