文本转语音（TTS）

文本转语音（Text-to-Speech，TTS）是让计算机把文字「读出来」的技术。经过几十年发展，TTS已从生硬的电子音进步到带情感、有语气、几乎难辨真假的自然语音，是语音交互系统中负责「说话」的输出端。

技术演进

• 拼接式合成：早年把预录音节拼接成句子，声音生硬、不连贯
• 参数式合成：用统计模型建模发音，更灵活但仍带「机器味」
• 神经网络TTS：端到端深度学习让自然度大幅提升，2016年后成为主流
• 大模型时代：2023年起，端到端大模型TTS在情感表现、多语种、实时性上进一步逼近真人

核心能力

• 多音色多语言：一个模型支持多种人声与数十种语言
• 情感控制：开心、悲伤、严肃等语气可调节
• 实时合成：延迟低至数百毫秒，足以支撑实时对话
• 声音克隆：与声音克隆技术结合，可复刻指定音色

应用场景

• 语音助手：智能音箱、手机助手的「开口说话」
• 有声书与新闻播报、视障人士的无障碍阅读
• 车载导航、客服机器人、游戏与短视频配音

2026年现状

• 开源端到端TTS模型已能做到「一句话克隆加高自然度」，个人开发者也能搭建专业级配音流水线；真实度不断提升的同时，内容溯源与防滥用成为重要议题。