Sintesis suara, juga dikenal sebagai sintesis text-to-speech (TTS), adalah proses yang digunakan untuk menghasilkan ucapan dari data berbasis teks. Ini melibatkan konversi teks menjadi bentuk gelombang akustik yang dapat digunakan untuk menghasilkan ucapan mirip manusia. Ini digunakan untuk berbagai aplikasi, termasuk konversi text-to-speech elektronik (eTTS), aplikasi telepon, dan sintesis ucapan untuk tujuan hiburan.
Teknologi sintesis suara telah meningkat secara dramatis dalam beberapa tahun terakhir, dengan versi saat ini menawarkan ucapan yang terdengar alami dalam berbagai bahasa. Sintesis ucapan dapat digunakan untuk membuat simulasi percakapan dan untuk memproses serta menghasilkan input audio untuk sistem realitas virtual. Teknologi sintesis suara juga digunakan dalam berbagai aplikasi perawatan kesehatan, termasuk avatar virtual untuk meningkatkan pendidikan pasien dan layanan telemedis.
Proses sintesis suara diawali dengan analisis data berbasis teks. Mesin text-to-speech (TTS) digunakan untuk memecah teks dan membuat unit suara terpisah. Unit-unit suara ini kemudian digabungkan untuk membentuk ucapan yang terdengar alami. Sistem kemudian dilatih untuk mengenali dan memproses berbagai jenis kata dengan berbagai kombinasi dan aksen. Pidato yang disintesis juga dapat dihasilkan dengan berbagai emosi, seperti kegembiraan, kesedihan, dan kemarahan.
Sintesis suara telah berkembang pesat sejak aplikasi komersial pertama diperkenalkan pada tahun 1980an. Kemajuan dalam kecerdasan buatan (AI) telah memungkinkan dihasilkannya ucapan mirip manusia yang sulit dibedakan dari ucapan alami. Di masa depan, teknologi sintesis suara kemungkinan akan semakin canggih dan maju.
