ระบบสังเคราะห์เสียงพูดที่ใช้คอมพิวเตอร์ระบบแรกมีต้นกำเนิดในช่วงปลายทศวรรษ 1950 Noriko Umeda และคณะได้พัฒนาระบบแปลงข้อความเป็นเสียงพูดภาษาอังกฤษทั่วไประบบแรกในปี 1968 ที่ห้องปฏิบัติการอิเล็กโทรเทคนิคในประเทศญี่ปุ่น^{[ 11 ]}ในปี 1961 นักฟิสิกส์John Larry Kelly, Jrและเพื่อนร่วมงานของเขาLouis Gerstman ^{[ 12 ]}ได้ใช้ คอมพิวเตอร์ IBM 7090ในการสังเคราะห์เสียงพูด ซึ่งเป็นเหตุการณ์ที่โดดเด่นที่สุดเหตุการณ์หนึ่งในประวัติศาสตร์ของBell Labs [ ^{13 ] เครื่อง} สังเคราะห์เสียง ( vocoder ) ของ Kelly ได้สร้างเพลง " Daisy Bell " ขึ้นมาใหม่ โดยมีดนตรีประกอบจากMax Mathewsบังเอิญว่าArthur C. Clarkeกำลังไปเยี่ยมเพื่อนและเพื่อนร่วมงานของเขา John Pierce ที่ Bell Labs Murray Hill คลาร์กประทับใจกับการสาธิตมากจนนำไปใช้ในฉากไคลแม็กซ์ของบทภาพยนตร์สำหรับนวนิยายเรื่อง 2001: A Space Odyssey ของเขา^[ 14 ] ^{โดยที่}คอมพิวเตอร์HAL 9000ร้องเพลงเดียวกันกับที่นักบินอวกาศเดฟ โบว์แมนกล่อมให้มันหลับ^{[ 15 ]}แม้ว่าการสังเคราะห์เสียงพูดด้วยระบบอิเล็กทรอนิกส์ล้วนๆ จะประสบความสำเร็จ แต่การวิจัยเกี่ยวกับเครื่องสังเคราะห์เสียงพูดเชิงกลก็ยังคงดำเนินต่อไป^{[ 16 ]}

การเข้ารหัสแบบทำนายเชิงเส้น (LPC) ซึ่งเป็นรูปแบบหนึ่งของการเข้ารหัสเสียงเริ่มพัฒนาโดยงานของFumitada Itakuraจากมหาวิทยาลัยนาโกย่าและ Shuzo Saito จากNippon Telegraph and Telephone (NTT) ในปี 1966 การพัฒนาเพิ่มเติมในเทคโนโลยี LPC เกิดขึ้นโดยBishnu S. AtalและManfred R. Schroederที่Bell Labsในช่วงทศวรรษ 1970 ^{[ 17 ]}ต่อมา LPC เป็นพื้นฐานสำหรับชิปสังเคราะห์เสียงรุ่นแรกๆ เช่นชิปเสียง LPC ของ Texas Instrumentsที่ใช้ใน ของเล่น Speak & Spellตั้งแต่ปี 1978

ในปี พ.ศ. 2518 ฟุมิทาดะ อิตาคุระ ได้พัฒนา วิธี คู่สเปกตรัมเส้น (LSP) สำหรับการเข้ารหัสเสียงที่มีการบีบอัดสูง ขณะอยู่ที่ NTT ^{[ 18 ] [ 19 ] [ 20 ]}ตั้งแต่ปี พ.ศ. 2518 ถึง พ.ศ. 2524 อิตาคุระได้ศึกษาปัญหาในการวิเคราะห์และสังเคราะห์เสียงโดยใช้วิธี LSP ^{[ 20 ]}ในปี พ.ศ. 2523 ทีมของเขาได้พัฒนาชิปสังเคราะห์เสียงแบบ LSP LSP เป็นเทคโนโลยีที่สำคัญสำหรับการสังเคราะห์และการเข้ารหัสเสียง และในช่วงทศวรรษ พ.ศ. 2533 ได้รับการยอมรับจากมาตรฐานการเข้ารหัสเสียงระหว่างประเทศเกือบทั้งหมดในฐานะองค์ประกอบสำคัญ ซึ่งมีส่วนช่วยในการปรับปรุงการสื่อสารด้วยเสียงดิจิทัลผ่านช่องทางมือถือและอินเทอร์เน็ต^{[ 19 ]}

ในปี พ.ศ. 2518 MUSAได้ถูกปล่อยออกมา และเป็นหนึ่งในระบบสังเคราะห์เสียงพูดระบบแรกๆ ประกอบด้วยฮาร์ดแวร์คอมพิวเตอร์แบบสแตนด์อะโลนและซอฟต์แวร์เฉพาะทางที่ทำให้สามารถอ่านภาษาอิตาลีได้ เวอร์ชันที่สองซึ่งปล่อยออกมาในปี พ.ศ. 2521 ยังสามารถร้องเพลงภาษาอิตาลีในสไตล์ " อะแคปเปลลา " ได้อีกด้วย ^{[ 21 ]}

ระบบที่โดดเด่นในช่วงทศวรรษ 1980 และ 1990 ได้แก่ ระบบ DECtalkซึ่งส่วนใหญ่มีพื้นฐานมาจากงานของDennis Klattที่ MIT และระบบ Bell Labs ^{[ 22 ]}ซึ่งระบบหลังนี้เป็นหนึ่งในระบบหลายภาษาที่ไม่ขึ้นกับภาษาระบบแรกๆ โดยใช้ประโยชน์จากวิธีการประมวลผลภาษาธรรมชาติ อย่างกว้างขวาง

อุปกรณ์อิเล็กทรอนิกส์ พกพาที่มีระบบสังเคราะห์เสียงเริ่มปรากฏขึ้นในช่วงทศวรรษ 1970 หนึ่งในอุปกรณ์แรกๆ คือ เครื่องคิดเลขพกพา Speech+สำหรับผู้พิการทางสายตาจากTelesensory Systems Inc. (TSI) ในปี 1976 ^{[ 23 ] [ 24 ]}อุปกรณ์อื่นๆ มีวัตถุประสงค์เพื่อการศึกษาเป็นหลัก เช่นของเล่น Speak & Spellที่ผลิตโดยTexas Instrumentsในปี 1978 ^{[ 25 ]} Fidelity ได้วางจำหน่ายคอมพิวเตอร์หมากรุกอิเล็กทรอนิกส์เวอร์ชันพูดได้ในปี 1979 ^{[ 26 ]}วิดีโอเกมแรกที่มีระบบสังเคราะห์เสียงคือเกมยิงอาร์เคด Stratovox (หรือที่รู้จักในญี่ปุ่นในชื่อSpeak & Rescue ) จากSun Electronicsใน ปี 1980 ^{[ 27 ] [ 28 ]}เกมคอมพิวเตอร์ส่วนบุคคลเกมแรกที่มีระบบสังเคราะห์เสียงคือManbiki Shoujo ( Shoplifting Girl ) ซึ่งวางจำหน่ายในปี 1980 สำหรับPET 2001โดยที่ผู้พัฒนาเกม Hiroshi Suzuki ได้พัฒนาเทคนิคการเขียนโปรแกรม " zero cross " เพื่อสร้างรูปคลื่นเสียงสังเคราะห์^{[ 29 ]}ตัวอย่างแรกๆ อีกตัวอย่างหนึ่งคือเกมอาร์เคดBerzerkซึ่งวางจำหน่ายในปี 1980 เช่นกันบริษัท Milton Bradley ได้ผลิต เกมอิเล็กทรอนิกส์แบบผู้เล่นหลายคนเกมแรกที่ใช้ระบบสังเคราะห์เสียงMiltonในปีเดียวกัน

ในปี พ.ศ. 2519 บริษัท Computalker Consultants ได้วางจำหน่ายเครื่องสังเคราะห์เสียง CT-1 ซึ่งออกแบบโดย D. Lloyd Rice และ Jim Cooper เป็นเครื่องสังเคราะห์เสียงแบบอนาล็อกที่สร้างขึ้นเพื่อใช้งานกับไมโครคอมพิวเตอร์โดยใช้มาตรฐานบัส S-100 ^{[ 30 ]}

โดยทั่วไปเสียงสังเคราะห์มักฟังดูเหมือนเสียงผู้ชายจนกระทั่งปี 1990 เมื่อแอนน์ เซอร์ดัลที่ห้องปฏิบัติการ AT&T Bellได้สร้างเสียงผู้หญิงขึ้นมา^{[ 31 ]}

Ray Kurzweilทำนายไว้ในปี 2548 ว่าเมื่ออัตราส่วนต้นทุนต่อประสิทธิภาพทำให้เครื่องสังเคราะห์เสียงพูดมีราคาถูกลงและเข้าถึงได้ง่ายขึ้น ผู้คนจำนวนมากขึ้นจะได้รับประโยชน์จากการใช้โปรแกรมแปลงข้อความเป็นเสียงพูด^{[ 32 ]}

ในเดือนกันยายน พ.ศ. 2559 DeepMindได้เปิดตัว WaveNetซึ่งแสดงให้เห็นว่า โมเดล การเรียนรู้เชิงลึกสามารถจำลองรูปคลื่นดิบและสร้างเสียงพูดจากคุณลักษณะทางเสียง เช่นสเปกโตรแกรมหรือเมลสเปกโตรแกรม ซึ่ง เป็นการเริ่มต้นของสาขาการสังเคราะห์เสียงพูดด้วยการเรียนรู้เชิงลึกแม้ว่า WaveNet จะถูกมองว่ามีค่าใช้จ่ายในการคำนวณสูงและช้าเกินไปที่จะนำไปใช้ในผลิตภัณฑ์สำหรับผู้บริโภคในขณะนั้น แต่หนึ่งปีหลังจากการเปิดตัว DeepMind ก็ได้เปิดตัว WaveNet เวอร์ชันที่ได้รับการปรับปรุงใหม่ที่เรียกว่า "Parallel WaveNet" ซึ่งเป็นโมเดลสำหรับการผลิตที่เร็วกว่ารุ่นดั้งเดิมถึง 1,000 เท่า^{[ 33 ]}ต่อมา ในปี พ.ศ. 2561 Google AI ได้เปิด ตัว Tacotron 2 ซึ่งแสดงให้เห็นว่าโครงข่ายประสาทเทียมสามารถสร้างการสังเคราะห์เสียงพูดที่เป็นธรรมชาติสูงได้ แต่ต้องใช้ข้อมูลการฝึกอบรมจำนวนมาก โดยทั่วไปคือไฟล์เสียงหลายสิบชั่วโมงเพื่อให้ได้คุณภาพที่ยอมรับได้ Tacotron 2 ใช้สถาปัตยกรรมออโตเอนโคเดอร์ ที่มี กลไกความสนใจเพื่อแปลงข้อความอินพุตเป็นเมลสเปกโตรแกรม จากนั้นจึงแปลงเป็นรูปคลื่นโดยใช้วอยโคเดอร์ ประสาท เทียม แยกต่างหาก เมื่อฝึกฝนด้วยชุดข้อมูลขนาดเล็ก เช่น เสียงพูด 2 ชั่วโมง คุณภาพเอาต์พุตจะลดลงในขณะที่ยังคงสามารถรักษาเสียงพูดที่เข้าใจได้ และด้วยข้อมูลการฝึกฝนเพียง 24 นาที Tacotron 2 ล้มเหลวในการสร้างเสียงพูดที่เข้าใจได้^{[ 34 ]}

ในปี 2019 Microsoft Researchได้เปิดตัว FastSpeech ซึ่งแก้ไขข้อจำกัดด้านความเร็วในโมเดลอัตถารีเกรสซีฟเช่น Tacotron 2 ^{[ 35 ]}ในปีเดียวกันนั้นได้มีการเปิดตัว HiFi-GAN ซึ่ง เป็นวอยโคเดอร์แบบเครือ ข่ายปฏิปักษ์เชิงกำเนิด (GAN) ที่ปรับปรุงประสิทธิภาพของการสร้างรูปคลื่นในขณะที่สร้างเสียงพูดที่มีความแม่นยำสูง^{[ 36 ]}ในปี 2020 การเปิดตัว Glow-TTS ได้นำเสนอ แนวทาง แบบโฟลว์ที่ช่วยให้สามารถอนุมานได้อย่างรวดเร็วและมีความสามารถในการถ่ายโอนสไตล์เสียง^{[ 37 ]}

ในเดือนมีนาคม พ.ศ. 2563 เว็บไซต์แปลงข้อความเป็นเสียงฟรี15.aiได้เปิดตัว 15.ai ได้รับความสนใจอย่างกว้างขวางในระดับนานาชาติในช่วงต้นปี พ.ศ. 2564 เนื่องจากความสามารถในการสังเคราะห์เสียงพูดที่แสดงอารมณ์ของตัวละครสมมติจากสื่อยอดนิยมโดยใช้ข้อมูลน้อยที่สุด^{[ 38 ] [ 39 ] [ 40 ]}ผู้สร้าง 15.ai ระบุว่าข้อมูลการฝึกฝนเพียง 15 วินาทีก็เพียงพอที่จะโคลนเสียงของบุคคลได้อย่างสมบูรณ์แบบ (จึงเป็นที่มาของชื่อ "15.ai") ซึ่งลดลงอย่างมากจากความต้องการข้อมูลที่เคยทราบกันดีว่าต้องใช้เวลาหลายสิบชั่วโมง^{[ 41 ]} 15.ai ได้รับการยกย่องว่าเป็นแพลตฟอร์มแรกที่ทำให้การโคลนเสียงด้วย AI เป็นที่นิยมในมีมและการสร้างเนื้อหา^{[ 42 ] [ 43 ] [ 41 ]}ในเดือนมกราคม 2022 เกิดเหตุฉ้อโกง NFT สังเคราะห์เสียงขึ้นเป็นครั้งแรก โดย บริษัท คริปโตเคอร์เรนซีชื่อVoiceverse สร้างเสียงพูดโดยใช้ 15.aiปรับระดับเสียงให้สูงขึ้นจนฟังไม่รู้เรื่อง โปรโมตว่าเป็นผลผลิตจากเทคโนโลยีของตนเอง และขายเป็นNFTโดยไม่ได้รับอนุญาต^{[ 44 ] [ 45 ] [ 46 ] [ 47 ]}

ในเดือนมกราคม 2023 ElevenLabsได้เปิดตัวแพลตฟอร์มแปลงข้อความเป็นเสียงพูดบนเบราว์เซอร์ ซึ่งใช้อัลกอริธึมขั้นสูงในการวิเคราะห์บริบทของข้อความและตรวจจับอารมณ์ต่างๆ เช่น ความโกรธ ความเศร้า ความสุข หรือความตกใจ^{[ 48 ] [ 49 ] [ 50 ]}แพลตฟอร์มนี้สามารถปรับระดับเสียงและจังหวะการพูดตามบริบททางภาษาเพื่อสร้างเสียงพูดที่สมจริงด้วยน้ำเสียงที่เหมือนมนุษย์ และมีคุณสมบัติต่างๆ เช่น การสร้างเสียงพูดหลายภาษาและการสร้างเนื้อหาแบบยาว^{[ 51 ] [ 52 ]}

ในเดือนมีนาคม พ.ศ. 2567 OpenAIได้ยืนยันเกณฑ์มาตรฐาน 15 วินาทีในการโคลนเสียงของมนุษย์^{[ 53 ]}อย่างไรก็ตาม พวกเขามองว่าเครื่องมือ Voice Engine ของพวกเขานั้น "มีความเสี่ยงมากเกินไป" สำหรับการเผยแพร่ทั่วไป โดยระบุว่าจะเผยแพร่เฉพาะเวอร์ชันทดลองเท่านั้น และจะไม่เผยแพร่เทคโนโลยีนี้ให้สาธารณะใช้งาน^{[ 54 ]}

การสังเคราะห์เสียงแบบต่อเชื่อม (Concatenative synthesis) อาศัยการต่อเชื่อม (การนำส่วนต่างๆ ของเสียงพูดที่บันทึกไว้มาเรียงต่อกัน) โดยทั่วไปแล้ว การสังเคราะห์เสียงแบบต่อเชื่อมจะให้เสียงพูดสังเคราะห์ที่ฟังดูเป็นธรรมชาติที่สุด อย่างไรก็ตาม ความแตกต่างระหว่างความแปรผันตามธรรมชาติของเสียงพูดและลักษณะของเทคนิคอัตโนมัติในการแบ่งส่วนคลื่นเสียงบางครั้งอาจส่งผลให้เกิดเสียงผิดเพี้ยนในเสียงที่ได้ การสังเคราะห์เสียงแบบต่อเชื่อมมีสามประเภทหลักๆ

การสังเคราะห์ ฟอร์แมนต์ไม่ได้ใช้ตัวอย่างเสียงพูดของมนุษย์ในระหว่างการทำงาน แต่เสียงพูดที่สังเคราะห์ขึ้นจะถูกสร้างขึ้นโดยใช้การสังเคราะห์แบบเพิ่มและการสร้างแบบจำลองทางเสียง ( การสังเคราะห์แบบจำลองทางกายภาพ ) ^{[ 68 ]}พารามิเตอร์ต่างๆ เช่นความถี่พื้นฐานการออกเสียงและ ระดับ เสียงรบกวนจะถูกเปลี่ยนแปลงไปตามเวลาเพื่อสร้างรูปคลื่นของเสียงพูดเทียม วิธีนี้บางครั้งเรียกว่าการสังเคราะห์ตามกฎอย่างไรก็ตาม ระบบแบบคอนเคเทนทีฟหลายระบบก็มีส่วนประกอบตามกฎเช่นกัน ระบบหลายระบบที่ใช้เทคโนโลยีการสังเคราะห์ฟอร์แมนต์สร้างเสียงพูดเทียมที่ฟังดูเหมือนหุ่นยนต์ซึ่งจะไม่สามารถเข้าใจผิดว่าเป็นเสียงพูดของมนุษย์ได้ อย่างไรก็ตาม ความเป็นธรรมชาติสูงสุดไม่ใช่เป้าหมายของระบบสังเคราะห์เสียงพูดเสมอไป และระบบการสังเคราะห์ฟอร์แมนต์มีข้อดีเหนือกว่าระบบแบบคอนเคเทนทีฟ เสียงพูดที่สังเคราะห์ด้วยฟอร์แมนต์สามารถเข้าใจได้อย่างน่าเชื่อถือ แม้กระทั่งที่ความเร็วสูงมาก หลีกเลี่ยงความผิดพลาดทางเสียงที่มักเกิดขึ้นกับระบบแบบคอนเคเทนทีฟ เสียงพูดที่สังเคราะห์ด้วยความเร็วสูงถูกใช้โดยผู้พิการทางสายตาเพื่อนำทางคอมพิวเตอร์อย่างรวดเร็วโดยใช้โปรแกรมอ่านหน้าจอโปรแกรมสังเคราะห์เสียงแบบฟอร์แมนต์มักมีขนาดเล็กกว่าระบบสังเคราะห์เสียงแบบต่อเสียง เนื่องจากไม่มีฐานข้อมูลตัวอย่างเสียงพูด ดังนั้นจึงสามารถใช้ในระบบฝังตัวได้ โดยเฉพาะอย่างยิ่งในระบบ ที่ มี หน่วยความจำและ กำลังประมวลผล ของไมโครโปรเซสเซอร์จำกัด เนื่องจากระบบที่ใช้ฟอร์แมนต์สามารถควบคุมทุกแง่มุมของเสียงพูดที่ออกมาได้อย่างสมบูรณ์ จึงสามารถสร้างเสียงพูดที่มีจังหวะและน้ำเสียงที่หลากหลาย ไม่เพียงแต่ถ่ายทอดคำถามและคำบอกเล่าเท่านั้น แต่ยังรวมถึงอารมณ์และน้ำเสียงที่หลากหลายอีกด้วย

ตัวอย่างของการควบคุมระดับเสียงที่ไม่แบบเรียลไทม์แต่มีความแม่นยำสูงในการสังเคราะห์ฟอร์แมนต์ ได้แก่ งานที่ทำในช่วงปลายทศวรรษ 1970 สำหรับของเล่นSpeak & Spell ของ Texas Instrumentsและในช่วงต้นทศวรรษ 1980 สำหรับ เครื่องเกมอาร์เคดของ Sega ^{[ 69 ]}และในเกมอาร์เคดของ Atari, Inc. หลายเกม ^{[ 70 ]}โดยใช้ชิป TMS5220 LPCการสร้างระดับเสียงที่เหมาะสมสำหรับโครงการเหล่านี้ต้องใช้ความพยายามอย่างมาก และผลลัพธ์ยังไม่สามารถเทียบได้กับอินเทอร์เฟซข้อความเป็นเสียงแบบเรียลไทม์^{[ 71 ]}

สำหรับภาษาวรรณยุกต์ เช่น ภาษาจีนหรือภาษาไต้หวัน จำเป็นต้องมีระดับการเปลี่ยนแปลงวรรณยุกต์ ที่แตกต่างกัน และบางครั้งผลลัพธ์ของโปรแกรมสังเคราะห์เสียงอาจทำให้เกิดข้อผิดพลาดในการเปลี่ยนแปลงวรรณยุกต์ได้^{[ 72 ]}

การสังเคราะห์เสียงพูดประกอบด้วยเทคนิคการคำนวณเพื่อสังเคราะห์เสียงพูดโดยอาศัยแบบจำลองของช่องเสียง ของมนุษย์ และกระบวนการออกเสียงที่เกิดขึ้นภายในนั้น เครื่องสังเคราะห์เสียงพูดเครื่องแรกที่ใช้ในการทดลองในห้องปฏิบัติการเป็นประจำได้รับการพัฒนาขึ้นที่ห้องปฏิบัติการแฮสกินส์ในช่วงกลางทศวรรษ 1970 โดยฟิลิป รูบินทอม แบร์ และพอล เมอร์เมลสไตน์ เครื่องสังเคราะห์เสียงพูดนี้รู้จักกันในชื่อ ASY โดยอิงจากแบบจำลองช่องเสียงที่พัฒนาขึ้นที่ห้องปฏิบัติการเบลล์ในช่วงทศวรรษ 1960 และ 1970 โดยพอล เมอร์เมลสไตน์ เซซิล โคเกอร์ และเพื่อนร่วมงาน

จนกระทั่งเมื่อไม่นานมานี้ โมเดลการสังเคราะห์เสียงตามอวัยวะออกเสียงยังไม่ได้รับการผนวกเข้ากับระบบสังเคราะห์เสียงเชิงพาณิชย์ ข้อยกเว้นที่น่าสนใจคือ ระบบที่ใช้ NeXTซึ่งเดิมพัฒนาและวางจำหน่ายโดย Trillium Sound Research บริษัทที่แยกตัวออกมาจากมหาวิทยาลัย Calgaryซึ่งเป็นสถานที่ทำการวิจัยดั้งเดิมส่วนใหญ่ หลังจากที่ NeXT (ก่อตั้งโดยSteve Jobsในช่วงปลายทศวรรษ 1980 และควบรวมกับ Apple Computer ในปี 1997) ล่มสลายลง ซอฟต์แวร์ของ Trillium ก็ได้รับการเผยแพร่ภายใต้ใบอนุญาต GNU General Public License โดยมีการพัฒนาต่อยอดในชื่อgnuspeechระบบนี้วางจำหน่ายครั้งแรกในปี 1994 โดยให้การแปลงข้อความเป็นเสียงตามอวัยวะออกเสียงอย่างสมบูรณ์ โดยใช้แบบจำลองท่อนำคลื่นหรือสายส่งสัญญาณของช่องปากและจมูกของมนุษย์ ซึ่งควบคุมโดย "แบบจำลองพื้นที่เฉพาะ" ของ Carré

เครื่องสังเคราะห์เสียงรุ่นใหม่กว่าที่พัฒนาโดย Jorge C. Lucero และเพื่อนร่วมงาน ได้รวมเอาแบบจำลองของกลไกทางชีวภาพของเส้นเสียง พลศาสตร์อากาศของกล่องเสียง และการแพร่กระจายของคลื่นเสียงในหลอดลม หลอดลมใหญ่ โพรงจมูก และช่องปากเข้าไว้ด้วยกัน จึงถือเป็นระบบจำลองการพูดตามหลักฟิสิกส์อย่างสมบูรณ์^{[ 73 ] [ 74 ]}

การสังเคราะห์แบบ HMM เป็นวิธีการสังเคราะห์ที่อิงตามแบบจำลองมาร์คอฟที่ซ่อนอยู่หรือเรียกอีกอย่างว่าการสังเคราะห์พารามิเตอร์เชิงสถิติ ในระบบนี้สเปกตรัมความถี่ ( ช่องเสียง ) ความถี่พื้นฐาน (แหล่งกำเนิดเสียง) และระยะเวลา ( จังหวะการพูด) ของคำพูดจะถูกจำลองพร้อมกันโดย HMM รูปคลื่น เสียง จะถูกสร้างขึ้นจาก HMM เองโดยอิงตามเกณฑ์ความน่าจะเป็นสูงสุด^{[ 75 ]}

การสังเคราะห์คลื่นไซน์เป็นเทคนิคสำหรับการสังเคราะห์เสียงพูดโดยการแทนที่ฟอร์แมนต์ (แถบพลังงานหลัก) ด้วยเสียงหวีดโทนบริสุทธิ์^{[ 76 ]}

การสังเคราะห์เสียงด้วยการเรียนรู้เชิงลึกใช้โครงข่ายประสาทเทียมเชิงลึก (DNN) เพื่อสร้างเสียงพูดเทียมจากข้อความ (ระบบแปลงข้อความเป็นเสียงพูด) หรือจากสเปกตรัม (ระบบเข้ารหัสเสียง) โครงข่ายประสาทเทียมเชิงลึกเหล่านี้ได้รับการฝึกฝนโดยใช้เสียงพูดที่บันทึกไว้จำนวนมาก และในกรณีของระบบแปลงข้อความเป็นเสียงพูด จะใช้ป้ายกำกับที่เกี่ยวข้องและ/หรือข้อความป้อนเข้าด้วย

ในปี 2023 โจเซฟ ค็อกซ์นักข่าวของ VICE ได้เผยแพร่ผลการค้นพบว่าเขาได้บันทึกเสียงตัวเองพูดเป็นเวลาห้านาที จากนั้นใช้เครื่องมือที่พัฒนาโดย ElevenLabs เพื่อสร้าง deepfake เสียงที่สามารถเอาชนะ ระบบตรวจสอบเสียงของธนาคาร ได้ ^{[ 84 ]}

กระบวนการปรับข้อความให้เป็นมาตรฐานนั้นไม่ใช่เรื่องง่ายเสมอไป ข้อความเต็มไปด้วยคำที่มีความ หมายต่างกัน ตัวเลขและคำย่อซึ่งทั้งหมดต้องได้รับการขยายความให้เป็นการออกเสียงที่ถูกต้อง นอกจากนี้ยังมีคำสะกดในภาษาอังกฤษหลายคำที่ออกเสียงแตกต่างกันไปตามบริบท ตัวอย่างเช่น "My latest project is to learn how to better project my voice" มีการออกเสียงคำว่า "project" สองแบบ

ระบบแปลงข้อความเป็นเสียงพูด (TTS) ส่วนใหญ่ไม่ได้สร้าง การแสดง ความหมายเชิงความหมายจากข้อความที่ป้อนเข้ามา เนื่องจากกระบวนการดังกล่าวไม่น่าเชื่อถือ เข้าใจได้ยาก และไม่มีประสิทธิภาพในเชิงการคำนวณ ดังนั้นจึง มีการใช้เทคนิค เชิงอนุมาน ต่างๆ เพื่อคาดเดาถึงวิธีการที่เหมาะสมในการแยกแยะคำที่มี การสะกดเหมือนกันแต่ ความหมายต่างกัน เช่น การตรวจสอบคำที่อยู่ใกล้เคียง และการใช้สถิติเกี่ยวกับความถี่ในการปรากฏของคำเหล่านั้น

เมื่อไม่นานมานี้ ระบบ TTS เริ่มใช้ HMMs (ที่กล่าวถึงข้างต้น ) เพื่อสร้าง " ส่วนของคำพูด " เพื่อช่วยในการแยกแยะความหมายของคำที่มีการสะกดเหมือนกันแต่ความหมายต่างกัน เทคนิคนี้ค่อนข้างประสบความสำเร็จในหลายกรณี เช่น คำว่า "read" ควรออกเสียงว่า "red" ซึ่งหมายถึงอดีต หรือ "reed" ซึ่งหมายถึงปัจจุบัน อัตราความผิดพลาดโดยทั่วไปเมื่อใช้ HMMs ในลักษณะนี้มักจะต่ำกว่าห้าเปอร์เซ็นต์ เทคนิคเหล่านี้ยังใช้ได้ผลดีกับภาษาในยุโรปส่วนใหญ่ แม้ว่าการเข้าถึงคลังข้อมูล ฝึกฝนที่จำเป็น มักจะยากในภาษาเหล่านั้นก็ตาม

การตัดสินใจว่าจะแปลงตัวเลขอย่างไรเป็นอีกปัญหาหนึ่งที่ระบบ TTS ต้องจัดการ การแปลงตัวเลขเป็นคำ (อย่างน้อยในภาษาอังกฤษ) เป็นความท้าทายในการเขียนโปรแกรมที่ง่าย เช่น "1325" กลายเป็น "หนึ่งพันสามร้อยยี่สิบห้า" อย่างไรก็ตาม ตัวเลขปรากฏในบริบทที่แตกต่างกันมากมาย "1325" อาจอ่านได้ว่า "หนึ่งสามสองห้า" "สิบสามยี่สิบห้า" หรือ "หนึ่งพันสามร้อยยี่สิบห้า" ระบบ TTS มักจะสามารถอนุมานวิธีการขยายตัวเลขโดยอิงจากคำ ตัวเลข และเครื่องหมายวรรคตอนโดยรอบ และบางครั้งระบบก็มีวิธีการระบุบริบทหากมีความกำกวม^{[ 85 ]}ตัวเลขโรมันก็สามารถอ่านได้แตกต่างกันขึ้นอยู่กับบริบท ตัวอย่างเช่น "Henry VIII" อ่านว่า "Henry the Eighth" ในขณะที่ "Chapter VIII" อ่านว่า "Chapter Eight"

ในทำนองเดียวกัน คำย่อก็อาจมีความหมายกำกวมได้ ตัวอย่างเช่น คำย่อ "in" สำหรับ "inches" ต้องแยกแยะออกจากคำว่า "in" และที่อยู่ "12 St John St." ใช้คำย่อเดียวกันสำหรับทั้ง "Saint" และ "Street" ระบบ TTS ที่มีส่วนหน้าอัจฉริยะสามารถคาดเดาคำย่อที่กำกวมได้อย่างมีเหตุผล ในขณะที่ระบบอื่นๆ ให้ผลลัพธ์เดียวกันในทุกกรณี ส่งผลให้ผลลัพธ์ไม่สมเหตุสมผล (และบางครั้งก็ตลก) เช่น " Ulysses S. Grant " ถูกแสดงเป็น "Ulysses South Grant"

ระบบสังเคราะห์เสียงใช้สองแนวทางพื้นฐานในการกำหนดการออกเสียงของคำโดยอิงจากการสะกดคำซึ่งกระบวนการนี้มักเรียกว่าการแปลงข้อความเป็นหน่วยเสียง หรือ การแปลง ตัวอักษรเป็นหน่วยเสียง ( หน่วยเสียงเป็นคำที่นักภาษาศาสตร์ ใช้ เพื่ออธิบายเสียงที่แตกต่างกันในภาษา ) แนวทางที่ง่ายที่สุดในการแปลงข้อความเป็นหน่วยเสียงคือแนวทางที่ใช้พจนานุกรม โดยโปรแกรมจะจัดเก็บพจนานุกรมขนาดใหญ่ที่มีคำศัพท์ทั้งหมดของภาษาและการออกเสียง ที่ถูก ต้อง การกำหนดการออกเสียงที่ถูกต้องของแต่ละคำทำได้โดยการค้นหาคำนั้นในพจนานุกรมและแทนที่การสะกดคำด้วยการออกเสียงที่ระบุไว้ในพจนานุกรม อีกแนวทางหนึ่งคือแนวทางที่ใช้กฎ ซึ่งจะใช้กฎการออกเสียงกับคำเพื่อกำหนดการออกเสียงโดยอิงจากการสะกดคำ วิธีนี้คล้ายกับวิธีการ "ออกเสียงตาม" หรือการออกเสียงแบบสังเคราะห์ในการเรียนรู้การอ่าน

แต่ละแนวทางมีข้อดีและข้อเสีย แนวทางที่ใช้พจนานุกรมนั้นรวดเร็วและแม่นยำ แต่จะล้มเหลวโดยสิ้นเชิงหากได้รับคำที่ไม่อยู่ในพจนานุกรม ขนาดของพจนานุกรมที่เพิ่มขึ้นจะทำให้ความต้องการพื้นที่หน่วยความจำของระบบสังเคราะห์เสียงเพิ่มขึ้นตามไปด้วย ในทางกลับกัน แนวทางที่ใช้กฎเกณฑ์นั้นใช้งานได้กับข้อมูลป้อนเข้าใดๆ ก็ได้ แต่ความซับซ้อนของกฎเกณฑ์จะเพิ่มขึ้นอย่างมากเมื่อระบบคำนึงถึงการสะกดหรือการออกเสียงที่ไม่ปกติ (ลองพิจารณาว่าคำว่า "of" เป็นคำที่ใช้กันทั่วไปในภาษาอังกฤษ แต่เป็นคำเดียวที่ตัวอักษร "f" ออกเสียงว่า[v] ) ด้วยเหตุนี้ ระบบสังเคราะห์เสียงพูดเกือบทั้งหมดจึงใช้การผสมผสานของแนวทางเหล่านี้

ภาษาที่มี ระบบ การเขียนแบบสัทศาสตร์จะมีระบบการเขียนที่เป็นระเบียบมาก และการทำนายการออกเสียงของคำโดยอิงจากตัวสะกดนั้นค่อนข้างแม่นยำ ระบบสังเคราะห์เสียงสำหรับภาษาดังกล่าว มักใช้ระบบกฎเกณฑ์อย่างกว้างขวาง โดยใช้พจนานุกรมเฉพาะกับคำบางคำ เช่น ชื่อต่างประเทศและคำยืม ที่การออกเสียงไม่ชัดเจนจากตัวสะกด ในทางกลับกัน ระบบสังเคราะห์เสียงสำหรับภาษาอย่างเช่นภาษาอังกฤษ ซึ่งมีระบบการสะกดคำที่ไม่สม่ำเสมออย่างมาก มักจะพึ่งพาพจนานุกรมมากกว่า และใช้ระบบกฎเกณฑ์เฉพาะกับคำที่ไม่คุ้นเคย หรือคำที่ไม่มีอยู่ในพจนานุกรม

การประเมินระบบสังเคราะห์เสียงพูดอย่างสม่ำเสมออาจเป็นเรื่องยาก เนื่องจากขาดเกณฑ์การประเมินที่เป็นกลางและเป็นที่ยอมรับในระดับสากล องค์กรต่างๆ มักใช้ข้อมูลเสียงพูดที่แตกต่างกัน คุณภาพของระบบสังเคราะห์เสียงพูดขึ้นอยู่กับคุณภาพของเทคนิคการผลิต (ซึ่งอาจเกี่ยวข้องกับการบันทึกแบบอนาล็อกหรือดิจิทัล) และสิ่งอำนวยความสะดวกที่ใช้ในการเล่นเสียงพูด ดังนั้น การประเมินระบบสังเคราะห์เสียงพูดจึงมักได้รับผลกระทบจากความแตกต่างระหว่างเทคนิคการผลิตและสิ่งอำนวยความสะดวกในการเล่นเสียงพูด

อย่างไรก็ตาม ตั้งแต่ปี 2005 นักวิจัยบางคนได้เริ่มประเมินระบบสังเคราะห์เสียงโดยใช้ชุดข้อมูลเสียงทั่วไป^{[ 86 ]}

การศึกษาวิจัยในวารสารSpeech Communicationโดย Amy Drahota และเพื่อนร่วมงานที่มหาวิทยาลัย Portsmouthประเทศอังกฤษรายงานว่าผู้ฟังบันทึกเสียงสามารถระบุได้ว่าผู้พูดกำลังยิ้มหรือไม่ ในระดับที่ดีกว่าโอกาส^{[ 87 ] [ 88 ] [ 89 ]}มีการเสนอแนะว่าการระบุคุณลักษณะของเสียงที่บ่งบอกถึงเนื้อหาทางอารมณ์อาจใช้เพื่อช่วยให้เสียงพูดสังเคราะห์ฟังดูเป็นธรรมชาติมากขึ้น ประเด็นที่เกี่ยวข้องประการหนึ่งคือการปรับเปลี่ยนรูปทรง ระดับเสียง ของประโยค ขึ้นอยู่กับว่าเป็นประโยคบอกเล่า ประโยคคำถาม หรือประโยคอุทาน เทคนิคหนึ่งสำหรับการปรับเปลี่ยนระดับเสียง^{[ 62 ]}ใช้การแปลงโคไซน์แบบไม่ต่อเนื่องในโดเมนต้นทาง ( ค่าตกค้าง การทำนายเชิงเส้น ) เทคนิคการปรับเปลี่ยน ระดับเสียง ที่ซิงโค รไนซ์กับระดับเสียงดังกล่าวจำเป็นต้องมีการทำเครื่องหมายระดับเสียงล่วงหน้าของฐานข้อมูลเสียงพูดสังเคราะห์โดยใช้เทคนิคต่างๆ เช่น การสกัดยุคโดยใช้ ดัชนี การระเบิด แบบไดนามิก ที่ใช้กับค่าตกค้างการทำนายเชิงเส้นแบบบูรณาการของบริเวณเสียงพูด[ ^{90 ] โดย} ทั่วไปแล้ว จังหวะการพูดยังคงเป็นความท้าทายสำหรับเครื่องสังเคราะห์เสียงพูด และเป็นหัวข้อการวิจัยที่กำลังดำเนินอยู่

ในช่วงต้นทศวรรษ 1980 TI เป็นที่รู้จักในฐานะผู้บุกเบิกด้านการสังเคราะห์เสียง และมีโมดูลสังเคราะห์เสียงแบบเสียบปลั๊กที่ได้รับความนิยมอย่างมากสำหรับเครื่องคิดเลข TI-99/4 และ 4A โมดูลสังเคราะห์เสียงนี้แถมฟรีเมื่อซื้อตลับเกมหลายรุ่น และถูกนำไปใช้ในวิดีโอเกมที่ TI เขียนขึ้นหลายเกม (เกมที่มีเสียงพูดในช่วงโปรโมชั่นนี้ ได้แก่AlpinerและParsec ) โมดูลสังเคราะห์เสียงนี้ใช้การเข้ารหัสแบบทำนายเชิงเส้น (linear predictive coding) และมีคำศัพท์ในตัวจำนวนน้อย เดิมทีตั้งใจจะออกตลับเกมขนาดเล็กที่เสียบเข้ากับโมดูลสังเคราะห์เสียงโดยตรง เพื่อเพิ่มคำศัพท์ในตัวของอุปกรณ์ อย่างไรก็ตาม ความสำเร็จของซอฟต์แวร์แปลงข้อความเป็นเสียงพูดในตลับเกม Terminal Emulator II ทำให้แผนนั้นต้องยกเลิกไป

เครื่องเล่นเกมMattel Intellivision นำเสนอโมดูลสังเคราะห์เสียง Intellivoiceในปี 1982 โดยมี ชิปสังเคราะห์เสียงพูด SP0256 Narratorอยู่ในตลับที่ถอดเปลี่ยนได้ ชิป Narrator มีหน่วยความจำแบบอ่านอย่างเดียว (ROM) ขนาด 2 กิโลไบต์ ซึ่งใช้ในการจัดเก็บฐานข้อมูลคำศัพท์ทั่วไปที่สามารถนำมาประกอบกันเป็นวลีในเกม Intellivision ได้ เนื่องจากชิป Narrator สามารถรับข้อมูลเสียงจากหน่วยความจำภายนอกได้ ดังนั้นคำหรือวลีเพิ่มเติมใดๆ ที่ต้องการจึงสามารถจัดเก็บไว้ในตลับได้ ข้อมูลประกอบด้วยสตริงของสัมประสิทธิ์ตัวกรองแบบอนาล็อกเพื่อปรับเปลี่ยนพฤติกรรมของแบบจำลองช่องเสียงสังเคราะห์ของชิป แทนที่จะเป็นเพียงตัวอย่างดิจิทัลธรรมดา

โปรแกรม Software Automatic Mouthซึ่งวางจำหน่ายในปี 1982 เป็นโปรแกรมสังเคราะห์เสียงแบบซอฟต์แวร์ล้วนตัวแรกที่วางจำหน่ายในเชิงพาณิชย์ ต่อมาได้ถูกนำไปใช้เป็นพื้นฐานสำหรับโปรแกรม Macintalkโปรแกรมนี้ใช้งานได้กับคอมพิวเตอร์ Apple ที่ไม่ใช่ Macintosh (รวมถึง Apple II และ Lisa) คอมพิวเตอร์ Atari รุ่นต่างๆ และ Commodore 64 เวอร์ชันของ Apple ต้องการฮาร์ดแวร์เพิ่มเติมที่มี DAC แต่ก็สามารถใช้เอาต์พุตเสียงแบบหนึ่งบิตของคอมพิวเตอร์แทนได้ (โดยจะมีการบิดเบือนของเสียงมาก) หากไม่มีการ์ดดังกล่าว เวอร์ชันของ Atari ใช้ชิปเสียง POKEY ในตัว การเล่นเสียงพูดบน Atari โดยปกติจะปิดใช้งานคำขอขัดจังหวะและปิดชิป ANTIC ในระหว่างการสร้างเสียงพูด เสียงที่ได้ยินจึงมีการบิดเบือนอย่างมากเมื่อหน้าจอเปิดอยู่ ส่วน Commodore 64 ใช้ชิปเสียง SID ในตัวของเครื่อง 64

อาจกล่าวได้ว่า ระบบเสียงพูดระบบแรกที่รวมเข้ากับระบบปฏิบัติการคือคอมพิวเตอร์ Atari 1400XL/1450XL ที่ไม่ได้วางจำหน่ายในช่วงปี 1983 ซึ่งใช้ชิป Votrax SC01 และเครื่องสถานะจำกัดเพื่อเปิดใช้งานการสังเคราะห์เสียงพูดแบบข้อความภาษาอังกฤษทั่วโลก^{[ 92 ]}

คอมพิวเตอร์Atari STถูกจำหน่ายพร้อมไฟล์ "stspeech.tos" บนฟลอปปี้ดิสก์

ระบบเสียงพูดระบบแรกที่รวมเข้ากับระบบปฏิบัติการที่วางจำหน่ายในปริมาณมากคือMacInTalkของApple Computerซอฟต์แวร์นี้ได้รับอนุญาตจากนักพัฒนาบุคคลที่สาม Joseph Katz และ Mark Barton (ต่อมาคือ SoftVoice, Inc.) และถูกนำเสนอในระหว่างการเปิดตัวคอมพิวเตอร์ Macintosh ในปี 1984 การสาธิตในเดือนมกราคมนี้ต้องการ RAM 512 กิโลไบต์ ส่งผลให้ไม่สามารถทำงานได้ใน RAM 128 กิโลไบต์ที่ Mac เครื่องแรกวางจำหน่ายจริง^{[ 93 ]}ดังนั้น การสาธิตจึงสำเร็จได้ด้วย Mac ต้นแบบขนาด 512k แม้ว่าผู้เข้าร่วมจะไม่ได้รับแจ้งเรื่องนี้ และการสาธิตการสังเคราะห์เสียงก็สร้างความตื่นเต้นอย่างมากให้กับ Macintosh ในช่วงต้นทศวรรษ 1990 Apple ได้ขยายขีดความสามารถโดยนำเสนอการสนับสนุนการแปลงข้อความเป็นเสียงพูดทั่วทั้งระบบ ด้วยการเปิดตัวคอมพิวเตอร์ที่ใช้ PowerPC ที่เร็วขึ้น พวกเขาได้รวมการสุ่มตัวอย่างเสียงที่มีคุณภาพสูงขึ้น Apple ยังได้นำการรู้จำเสียงพูดมาใช้ในระบบของตน ซึ่งให้ชุดคำสั่งที่ลื่นไหล เมื่อไม่นานมานี้ Apple ได้เพิ่มเสียงแบบอิงตัวอย่าง ระบบเสียงพูดของ Apple Macintosh เริ่มต้นจากความอยากรู้อยากเห็น และได้พัฒนามาเป็นโปรแกรมPlainTalk ที่ได้รับการสนับสนุนอย่างเต็มรูปแบบ สำหรับผู้ที่มีปัญหาด้านการมองเห็นVoiceOverเปิดตัวครั้งแรกในปี 2005 ในMac OS X Tiger (10.4) ในช่วง 10.4 (Tiger) และรุ่นแรกๆ ของ 10.5 ( Leopard ) มีเพียงเสียงมาตรฐานเดียวที่มาพร้อมกับ Mac OS X แต่เริ่มตั้งแต่ 10.6 ( Snow Leopard ) ผู้ใช้สามารถเลือกเสียงได้หลากหลายจากรายการเสียงที่มีอยู่ เสียงของ VoiceOver มีคุณสมบัติการหายใจที่สมจริงระหว่างประโยค รวมถึงความชัดเจนที่ดีขึ้นในอัตราการอ่านสูงเมื่อเทียบกับ PlainTalk Mac OS X ยังมีsayซึ่ง เป็นแอปพลิ เคชันแบบบรรทัดคำสั่งที่แปลงข้อความให้เป็นเสียงพูดAppleScript Standard Additions มีคำกริยา say ที่อนุญาตให้สคริปต์ใช้เสียงใดก็ได้ที่ติดตั้งไว้ และควบคุมระดับเสียง อัตราการพูด และการปรับเสียงของข้อความที่พูดได้

ใช้ในAlexaและเป็นซอฟต์แวร์ในรูปแบบบริการใน AWS ^{[ 94 ]} (ตั้งแต่ปี 2017)

ระบบปฏิบัติการที่สองที่มีคุณสมบัติการสังเคราะห์เสียงขั้นสูงคือAmigaOSซึ่งเปิดตัวในปี 1985 ระบบสังเคราะห์เสียงได้รับอนุญาตจากCommodore Internationalจาก SoftVoice, Inc. ซึ่งเป็นผู้พัฒนาระบบแปลงข้อความเป็นเสียงMacinTalk ดั้งเดิมด้วย ระบบนี้มีระบบจำลองเสียงที่สมบูรณ์แบบสำหรับภาษาอังกฤษแบบอเมริกัน โดยมีทั้งเสียงผู้ชายและผู้หญิง และเครื่องหมายแสดง "การเน้นเสียง" ซึ่งเป็นไปได้ด้วย ชิปเซ็ตเสียงของAmiga ^{[ 95 ]} ระบบสังเคราะห์เสียงแบ่งออกเป็นไลบรารีตัวแปลซึ่งแปลงข้อความภาษาอังกฤษที่ไม่จำกัดให้เป็นชุดรหัสเสียงมาตรฐาน และอุปกรณ์ผู้บรรยายซึ่งใช้โมเดลฟอร์แมนต์ใน การ สร้างเสียงพูด AmigaOS ยังมี " Speak Handler " ระดับสูงซึ่งอนุญาตให้ผู้ใช้บรรทัดคำสั่งเปลี่ยนเส้นทางเอาต์พุตข้อความไปยังเสียงพูด การสังเคราะห์เสียงถูกใช้ในโปรแกรมของบุคคลที่สามเป็นครั้งคราว โดยเฉพาะอย่างยิ่งโปรแกรมประมวลผลคำและซอฟต์แวร์เพื่อการศึกษา ซอฟต์แวร์สังเคราะห์เสียงยังคงไม่เปลี่ยนแปลงมากนักจาก AmigaOS รุ่นแรก และในที่สุด Commodore ก็ได้ลบการสนับสนุนการสังเคราะห์เสียงออกจาก AmigaOS 2.1 เป็นต้นไป

แม้จะมีข้อจำกัดด้านหน่วยเสียงภาษาอังกฤษแบบอเมริกัน แต่ก็มีการพัฒนาเวอร์ชันที่ไม่เป็นทางการที่มีการสังเคราะห์เสียงพูดหลายภาษาขึ้นมา ซึ่งใช้ไลบรารีตัวแปลเวอร์ชันที่ได้รับการปรับปรุงซึ่งสามารถแปลได้หลายภาษา โดยกำหนดชุดกฎสำหรับแต่ละภาษา^{[ 96 ]}

ระบบเดสก์ท็อป Windowsสมัยใหม่สามารถใช้ ส่วนประกอบ SAPI 4และSAPI 5เพื่อรองรับการสังเคราะห์เสียงและการรู้จำเสียงพูดได้ SAPI 4.0 มีให้ใช้งานเป็นส่วนเสริมเพิ่มเติมสำหรับWindows 95และWindows 98 Windows 2000เพิ่มNarratorซึ่งเป็นยูทิลิตี้แปลงข้อความเป็นเสียงพูดสำหรับผู้ที่มีความบกพร่องทางสายตา โปรแกรมของบุคคลที่สาม เช่น JAWS สำหรับ Windows, Window-Eyes, Non-visual Desktop Access, Supernova และ System Access สามารถทำงานแปลงข้อความเป็นเสียงพูดได้หลากหลาย เช่น การอ่านข้อความออกเสียงจากเว็บไซต์ที่กำหนด บัญชีอีเมล เอกสารข้อความ คลิปบอร์ดของ Windows การพิมพ์บนแป้นพิมพ์ของผู้ใช้ ฯลฯ ไม่ใช่ทุกโปรแกรมที่สามารถใช้การสังเคราะห์เสียงพูดได้โดยตรง^{[ 97 ]}บางโปรแกรมสามารถใช้ปลั๊กอิน ส่วนขยาย หรือส่วนเสริมเพื่ออ่านข้อความออกเสียงได้ มีโปรแกรมของบุคคลที่สามที่สามารถอ่านข้อความจากคลิปบอร์ดของระบบได้

Microsoft Speech Serverเป็นแพ็กเกจแบบเซิร์ฟเวอร์สำหรับการสังเคราะห์และจดจำเสียง ออกแบบมาเพื่อใช้งานผ่านเครือข่ายกับแอปพลิเคชันบนเว็บและศูนย์บริการลูกค้า

ระหว่างปี 1971 ถึง 1996 บริษัท Votrax ได้ผลิตชิ้นส่วนเครื่องสังเคราะห์เสียงพูดเชิงพาณิชย์จำนวนมาก โดยเครื่องสังเคราะห์เสียงพูดของ Votrax ถูกนำไปใช้ในเครื่องอ่านหนังสือสำหรับคนตาบอดรุ่นแรกของ Kurzweil ด้วย

Androidเวอร์ชัน 1.6 เพิ่มการรองรับการสังเคราะห์เสียงพูด (TTS) ^{[ 99 ]}

ปัจจุบัน มี แอปพลิเคชัน ปลั๊กอินและ แกดเจ็ต จำนวนมากที่สามารถอ่านข้อความได้โดยตรงจากโปรแกรมอีเมลและหน้าเว็บจากเว็บเบราว์เซอร์หรือGoogle Toolbarซอฟต์แวร์เฉพาะทางบางตัวสามารถอ่านออกเสียงฟีด RSSได้ ในด้านหนึ่ง โปรแกรมอ่าน RSS ออนไลน์ช่วยให้การรับส่งข้อมูลง่ายขึ้น โดยอนุญาตให้ผู้ใช้ฟังแหล่งข่าวที่ชื่นชอบและแปลงเป็นพอดแคสต์ได้ ในอีกด้านหนึ่ง โปรแกรมอ่าน RSS ออนไลน์มีให้บริการในคอมพิวเตอร์ส่วนบุคคลเกือบทุกเครื่องที่เชื่อมต่ออินเทอร์เน็ต ผู้ใช้สามารถดาวน์โหลดไฟล์เสียงที่สร้างขึ้นไปยังอุปกรณ์พกพา เช่น ด้วยความช่วยเหลือของ เครื่องรับ พอดแคสต์และฟังขณะเดิน วิ่ง หรือเดินทางไปทำงานได้

เทคโนโลยีช่วยเหลือบนเว็บเป็นสาขาที่กำลังเติบโตในด้าน TTS บนอินเทอร์เน็ตเช่น 'Browsealoud' จากบริษัทในสหราชอาณาจักร และReadspeakerเทคโนโลยีเหล่านี้สามารถมอบฟังก์ชัน TTS ให้กับทุกคน (ด้วยเหตุผลด้านการเข้าถึง ความสะดวกสบาย ความบันเทิง หรือข้อมูล) ที่สามารถเข้าถึงเว็บเบราว์เซอร์ได้ โครงการที่ไม่แสวงหาผลกำไรPediaphonถูกสร้างขึ้นในปี 2549 เพื่อจัดหาอินเทอร์เฟซ TTS บนเว็บที่คล้ายคลึงกันให้กับ Wikipedia ^{[ 100 ]}

นอกจากนี้ ยังมีการดำเนินงานอื่นๆ ภายใต้กรอบของW3Cผ่านกลุ่ม W3C Audio Incubator Group โดยมีส่วนร่วมของ BBC และ Google Inc.

มีระบบ ซอฟต์แวร์โอเพนซอร์สบางระบบที่สามารถใช้งานได้ เช่น:

• eSpeakรองรับภาษาต่างๆ มากมาย
• ระบบสังเคราะห์เสียงพูดสำหรับงานเทศกาลซึ่งใช้การสังเคราะห์เสียงแบบไดโฟน รวมถึงเทคนิคการสังเคราะห์เสียงที่ทันสมัยและร่วมสมัยอื่นๆ ด้วย
• gnuspeechซึ่งใช้การสังเคราะห์การออกเสียง^{[ 101 ]}จากมูลนิธิซอฟต์แวร์เสรี

• หลังจากความล้มเหลวทางการค้าของระบบสังเคราะห์เสียง Intellivoice ที่ใช้ฮาร์ดแวร์ นักพัฒนาเกมจึงลดการใช้ระบบสังเคราะห์เสียงด้วยซอฟต์แวร์ในเกมรุ่นหลังๆ ลงระบบเกมรุ่นก่อนๆ ของ Atari เช่นAtari 5200 ( Baseball ) และAtari 2600 ( QuadrunและOpen Sesame ) ก็มีเกมที่ใช้ระบบสังเคราะห์เสียงด้วยซอฟต์แวร์เช่นกัน
• เครื่องอ่านอีบุ๊กบางรุ่นเช่นAmazon Kindle , Samsung E6, PocketBook eReader Pro, enTourage eDGeและ Bebook Neo
• คอมพิวเตอร์ BBC Microใช้ชิปสังเคราะห์เสียง TMS5220 ของ Texas Instruments
• คอมพิวเตอร์บ้านบางรุ่นของ Texas Instruments ที่ผลิตในปี พ.ศ. 2522 และ พ.ศ. 2524 ( Texas Instruments TI-99/4 และ TI-99/4A ) สามารถสังเคราะห์ข้อความเป็นเสียงหรืออ่านคำและวลีทั้งหมดได้ (ข้อความเป็นพจนานุกรม) โดยใช้เครื่องสังเคราะห์เสียงพูดที่เป็นที่นิยมมาก TI ใช้ตัวแปลงสัญญาณ ที่เป็นกรรมสิทธิ์ เพื่อฝังวลีที่พูดทั้งหมดลงในแอปพลิเคชัน โดยส่วนใหญ่เป็นวิดีโอเกม^{[ 102 ]}
• ระบบปฏิบัติการ OS/2 Warp 4ของIBMมี VoiceType ซึ่งเป็นต้นแบบของIBM ViaVoice
• อุปกรณ์นำทางGPS ที่ผลิตโดย Garmin , Magellan , TomTomและบริษัทอื่นๆ ใช้เทคโนโลยีสังเคราะห์เสียงพูดสำหรับการนำทางในรถยนต์
• ในปี 1999 ยามาฮ่าได้ผลิตเครื่องสังเคราะห์เสียงดนตรีรุ่นYamaha FS1Rซึ่งมีคุณสมบัติการสังเคราะห์เสียงแบบฟอร์แมนต์ สามารถจัดเก็บและเล่นลำดับฟอร์แมนต์ของสระและพยัญชนะได้มากถึง 512 ตัว ทำให้สามารถสังเคราะห์วลีเสียงร้องสั้นๆ ได้

ในการประชุม Neural Information Processing Systems (NeurIPS) ปี 2018 นักวิจัยจากGoogleได้นำเสนอผลงาน 'Transfer Learning from Speaker Verification to Multispeaker Text-To-Speech Synthesis' ซึ่งเป็นการถ่ายโอนการเรียนรู้จากการตรวจสอบผู้พูดเพื่อบรรลุการสังเคราะห์เสียงพูดจากข้อความ ซึ่งสามารถทำให้ฟังดูเหมือนใครก็ได้จากตัวอย่างเสียงพูดเพียง 5 วินาที^{[ 103 ]}

นอกจากนี้ นักวิจัยจากBaidu Researchยังได้นำเสนอ ระบบ โคลนนิ่งเสียงที่มีจุดประสงค์คล้ายกันในการประชุม NeurIPS ปี 2018 ^{[ 104 ]}แม้ว่าผลลัพธ์จะค่อนข้างไม่น่าเชื่อถือก็ตาม

ภายในปี 2019 เสียงเลียนแบบดิจิทัลได้ตกไปอยู่ในมือของอาชญากร ดังที่ นักวิจัย ของ Symantecทราบถึง 3 กรณีที่เทคโนโลยีเสียงเลียนแบบดิจิทัลถูกนำไปใช้ในการก่ออาชญากรรม^{[ 105 ] [ 106 ]}

สิ่งนี้ยิ่งเพิ่มความตึงเครียดให้กับสถานการณ์ข้อมูลเท็จ ควบคู่ไปกับข้อเท็จจริงที่ว่า

• เทคโนโลยีการสร้างภาพมนุษย์เสมือนจริงนับตั้งแต่ต้นทศวรรษ 2000 ได้พัฒนาไปไกลเกินกว่าที่มนุษย์จะไม่สามารถแยกแยะได้ว่าภาพใดเป็นภาพมนุษย์จริงที่ถ่ายด้วยกล้องจริง และภาพใดเป็นภาพจำลองของมนุษย์ที่ถ่ายด้วยกล้องจำลอง
• เทคนิคการปลอมแปลงวิดีโอ 2 มิติได้รับการนำเสนอในปี 2016 ซึ่งช่วยให้สามารถปลอมแปลงการแสดงออกทางใบหน้าในวิดีโอ 2 มิติที่มีอยู่ได้เกือบแบบเรียลไทม์^{[ 107 ]}
• ในงาน SIGGRAPH 2017 นักวิจัยจาก มหาวิทยาลัยวอชิงตันได้นำเสนอภาพดิจิทัลที่เหมือนจริงของส่วนบนของลำตัวของบารัค โอบามาโดยใช้เพียงเสียงเป็นข้อมูลต้นทางสำหรับการสร้างแอนิเมชั่น หลังจากขั้นตอนการฝึกฝนเพื่อให้ได้การซิงค์ริมฝีปากและข้อมูลใบหน้าที่กว้างขึ้นจากวัสดุฝึกฝนซึ่งประกอบด้วยวิดีโอ 2 มิติพร้อมเสียงเสร็จสมบูรณ์แล้ว^{[ 108 ]}