文本转语音 TTS 是什么？让机器把文字读出来

文本转语音（Text-To-Speech，TTS）又称语音合成，是把文字转换成语音的技术。导航软件的语音播报、有声书、智能音箱的回答、视频的 AI 配音、读屏软件，背后都是 TTS。它的目标是让机器读出来的声音自然、连贯、像真人一样有抑扬顿挫。

三个发展阶段

规则和拼接合成：早期系统依靠人工设计的语言规则，或者预先录制大量真人语音片段，按需要拼接起来。拼接合成的音质可以很好，但拼接处容易不自然，想换一个声音就得重新录几十个小时的素材。

统计参数合成：用隐马尔可夫模型等统计模型预测语音参数，再合成声音。好处是灵活、体积小，但声音偏机械，有明显的“机器味”。

神经网络合成：2016 年 DeepMind 的 WaveNet 证明了神经网络可以直接生成非常自然的语音波形。2017 年谷歌提出 Tacotron，它是一个端到端的生成式模型，直接从字符生成语音频谱，不再需要文本分析前端、声学模型、合成模块等多个分别设计的组件，只要有文本和音频的配对数据，就能从零开始训练。这大大降低了构建 TTS 系统的门槛，此后 FastSpeech、VITS 等方法相继出现，语音的自然度很快接近真人。

大模型时代的 TTS

近几年，TTS 借鉴了大语言模型的思路：把语音也变成 token，用大规模数据训练语言模型式的语音生成模型。这带来了几项新能力：零样本声音克隆，只需几秒参考音频就能模仿一个人的音色；情感和风格控制，可以指定开心、低沉、耳语等说话方式；多语言、跨语言合成；以及低延迟的流式输出，支撑实时语音对话。

需要注意的

声音克隆能力很强，也带来了冒充他人、电信诈骗的风险。正规的产品都会要求证明声音的授权，并对合成语音加入水印。使用他人声音前一定要取得同意。