Definição
Text-to-speech (TTS), ou conversão de texto em fala, transforma texto escrito em áudio falado. Em sistemas de voz empresariais, permite que prompts de URA, OTPs por voz, lembretes e agentes de voz com IA falem conteúdo dinâmico sem precisar gravar cada frase previamente.
Um motor de TTS normaliza o texto (expandindo números, datas, moedas e abreviações), define a pronúncia e a prosódia e sintetiza o áudio. As vozes neurais soam muito mais naturais do que as antigas vozes concatenativas, e muitos motores permitem escolher idioma, gênero, velocidade de fala e estilo.
A pronúncia e o ritmo podem ser controlados com SSML (Speech Synthesis Markup Language), um padrão do W3C suportado pela maioria dos motores. Usos típicos: ler um código dígito por dígito, inserir pausas, soletrar letras ou definir como o nome de uma marca deve ser pronunciado.
O árabe exige cuidado extra. O árabe escrito geralmente omite as vogais curtas (tashkeel), então o motor precisa deduzi-las e pode pronunciar errado nomes ou palavras raras; os números podem ser lidos em árabe ou em inglês; e os usuários podem esperar o árabe padrão moderno ou um dialeto do Golfo, dependendo do caso de uso. Teste os prompts reais com falantes nativos antes do lançamento.
Erros comuns são ler sequências longas rápido demais, deixar o motor ler um OTP como um número grande e misturar idiomas na mesma frase sem marcar a troca.
A OmniChannels.ai, por meio da capacidade de voz da BroadNet, oferece text-to-speech, inclusive em árabe, para URA, OTP por voz e chamadas programáveis.
Exemplo
<speak>Seu código é <say-as interpret-as="characters">471902</say-as>. <break time="700ms"/> Repito…</speak>