La voix humaine ne se limite pas à des sons basiques : elle combine prononciation, intonations, rythme, émotions et accents… tout cela de façon unique chez chaque individu.

Un ordinateur doit donc analyser et reproduire d’innombrables détails, comme les micro-variations de ton, la façon dont on module la voix selon l’émotion ou même les petites imperfections naturelles. Même avec l’intelligence artificielle, il reste très difficile d’obtenir une voix qui ne semble pas « robotique » ou artificielle, car notre oreille humaine est très sensible à la moindre anomalie.