Bu videodaki ses, gerçek insan sesi. Sample değil. Sorduğunuz bu galiba. Belki yazıdan okuyarak kaydedildiği için biraz robotik geliyordur ama ses ve müzik işindeki biri olarak söylüyorum, videoda duyduğumuz normal insan kaydı.

Yazıyı okuyarak ses dosyasına çeviren programların temeli hece veya kelime kaydıyla oluyor. Sonra karşılaşılan bilgilere göre uygun ses dosyası çalınıyor ve tüm işlem bu şekilde ilerliyor. Bu konuda da genelde İngilizce ve Japonca uygulamalar çok başarılı. Türkçe konusunda Google dışında düzgün bir sistem ben bilmiyorum.

https://docs.google.com üzerinden yeni doküman oluşturup mikrofona erişim izni verirseniz konuşulanları yazacaktır.