语音合成（TTS）

一句话理解

让机器开口说话——把文字变成自然的人声，导航播报、有声书、语音客服背后都是它。

定义

语音合成（TTS，Text-To-Speech）指把文字转换为语音的技术。深度学习让它从“机器人腔”进化到与真人难辨，支持情感表达、多说话人、多方言。

你会在哪遇到它

手机导航的语音播报；有声书与短视频配音；无障碍读屏；AI 客服电话；数字人开口说话。

背后的原理

经典流程分三步：文本先转成带韵律信息的中间表示（在哪停顿、哪里重音、什么情绪），声学模型把它变成声音特征，声码器合成最终波形。大模型时代的端到端方案直接从文字到语音，自然度大幅跃升。

和相近概念的区别

1 与语音识别（ASR）：一个负责说、一个负责听，反向兄弟。 2 与声音克隆：语音合成用现成音色库，克隆是先复刻指定真人的音色再合成。 3 与语音对话：一次语音聊天等于合成（说）加识别（听）加大模型（想）三件套联动。

常见误区

1 合成音一听就知道——顶尖产品已难辨真伪，对“听起来像真人”的电话保持警惕。 2 只会说标准普通话——主流产品已支持多种方言和外语。 3 没有滥用风险——语音伪造是真实威胁，涉及钱财务必用官方渠道二次核实。