Генерация искусственных голосов считается сложной задачей для разработчиков по нескольким причинам:

• Неоднозначность задачи. 4 Текст содержит мало информации о том, как его нужно произнести. 4 Кроме того, произношение текста может зависеть от контекста и цели высказывания. 4 Это делает задачу синтеза речи по тексту неоднозначной. 4
• Необходимость в большом количестве данных. 5 Для качественного синтеза нужно много данных, на которых учится модель. 5 Это делает процесс создания нового голоса очень затратным по времени и другим ресурсам. 5
• Сложность моделирования просодии. 5 Просодия отвечает за то, как будет произнесён текст: интонация, тембр, эмоции. 5 Это понятие сложно формализовать числами. 5
• Проблемы с обработкой эмоций. 2 В реальной жизни интонация и эмоциональная окраска речи играют ключевую роль в коммуникации. 2 Современные технологии генерации голоса пока не могут полностью воспроизвести этот аспект. 2
• Ограниченная адаптивность. 2 Синтетические голоса часто не могут адаптироваться к контексту или изменять стиль речи в зависимости от ситуации. 2
• Проблемы с воспроизведением сложных интонационных структур. 2 Это делает синтетическую речь менее выразительной и ограничивает её применение в ситуациях, где важна эмоциональная окраска речи. 2