Η γενιά των συνθετικών ομιλίας σήματα για να μεταφέρει τις πληροφορίες στη ακροατές, συνήθως βασίζεται σε μια αίτηση λεκτικής ή κειμένου από τους χρήστες. Αυτή σύνθεση ομιλίας συνήθως απασχολεί ένα πρόγραμμα υπολογιστή και απαιτεί πρόσβαση στην αποθήκευση των τμημάτων του λόγου που μίλησε προηγουμένως από τον άνθρωπο. Τη φυσικότητα τα συνθετικά φωνή εξαρτάται από πολλούς παράγοντες, συμπεριλαμβανομένου του λεξιλογίου λέξεις προφοράς, το ποσό των αποθηκευμένων ομιλίας και την πολυπλοκότητα των προγραμμάτων του σύνθεση. Το πιο βασικό voice response απλώς διαδραματίζει πίσω κατάλληλα σύντομη προφορικές απαντήσεις, που μόνο αντίγραφα των σημάτων ανθρώπινης ομιλίας αποθηκεύονται χρησιμοποιώντας την τεχνολογία ψηφιακής δειγματοληψίας. Τα πιο καθολική συστήματα, από την άλλη πλευρά, είναι ικανή να μετατρέψουν οποιοδήποτε δεδομένο κείμενο σε κατανοητή ομιλία για μια συγκεκριμένη γλώσσα. Τα συστήματα αυτά τελευταία μέχρι στιγμής υπάρχουν μόνο 20 ή τόσο από τις κύριες γλώσσες του κόσμου και είναι ανεπαρκείς για την παραγωγή ομιλία του ότι, ενώ συνήθως κατανοητή, ακούγεται αφύσικη.