Definisi
Text-to-speech (TTS) mengubah teks tertulis menjadi audio suara. Pada sistem suara bisnis, TTS memungkinkan prompt IVR, OTP suara, pengingat, dan agen AI suara mengucapkan konten dinamis tanpa perlu merekam setiap kalimat terlebih dahulu.
Mesin TTS menormalisasi teks (menguraikan angka, tanggal, mata uang, dan singkatan), menentukan pelafalan dan prosodi, lalu menghasilkan audio. Suara neural terdengar jauh lebih natural daripada suara concatenative generasi lama, dan banyak mesin memungkinkan Anda memilih bahasa, jenis kelamin suara, kecepatan bicara, dan gaya.
Pelafalan dan tempo dapat diatur dengan SSML (Speech Synthesis Markup Language), standar W3C yang didukung sebagian besar mesin. Penggunaan yang umum: membacakan kode angka demi angka, menyisipkan jeda, mengeja huruf, atau menentukan cara pengucapan nama merek.
Bahasa Arab memerlukan perhatian ekstra. Tulisan Arab biasanya tidak mencantumkan vokal pendek (tashkeel), sehingga mesin harus menebaknya dan bisa salah mengucapkan nama atau kata yang jarang dipakai. Angka bisa dibaca dalam bahasa Arab atau Inggris, dan pengguna mungkin mengharapkan Arab Standar Modern atau dialek Teluk, tergantung kasus penggunaannya. Uji prompt nyata bersama penutur asli sebelum peluncuran.
Kesalahan yang sering terjadi: membaca teks panjang terlalu cepat, membiarkan mesin membaca OTP sebagai satu angka besar, dan mencampur beberapa bahasa dalam satu kalimat tanpa menandai perpindahannya.
OmniChannels.ai, melalui kapabilitas suara BroadNet, menyediakan text-to-speech termasuk bahasa Arab untuk IVR, OTP suara, dan panggilan terprogram.
Contoh
<speak>Kode Anda adalah <say-as interpret-as="characters">471902</say-as>. <break time="700ms"/> Saya ulangi…</speak>