En este articulo se presenta un sistema de conversión texto-habla de alta calidad utilizando voz segmentada en difonemas y trifonemas. El sistema de síntesis implementado se basa en un modelo híbrido que combina aspectos de un modelo "armónico + ruido", con el que se descompone la señal de voz original en dos componentes y aspectos del TD-PSOLA. Los procesos de análisis y síntesis se realizan síncronamente con e pitch de forma que se pueden conseguir modificaciones prosódicas con un alto grado de naturalidad en el habla generada gracias a la representación parmétrica de la señal de voz. Este sistema resulta una buena solución para la síntesis del habla emocionada que requiere grandes variaciones de la prosodia. El objetivo fina de este proyecto consiste en implementar este modelo hibrido de síntesis audiovisual del habla, capaz de generar síncronamente voz y animación facial para simular expresiones emocionales