语音合成（Text to Speech | TTS）

小白版本

语音合成就是让机器模仿人类说话。即输入一段文字，最终输出一段语音。

语音合成

做个比较，当机器的“脑子”里想到了一段内容时，或者是看到了一段话时，知道哪些字应该怎么读：

• 拆解文字，得到音素的时长、频率变化，就和我们有时拆解文字的偏旁、前后缀来获得文字发音一样

• 知道哪些字的组合会是一个词，将这段内容按照人类容易理解的方式说出来

• 在说出来的过程中还会结合这个人的说话习惯、发音特色、口音特点等，得到一段人类特性明显的语音。（2023年出现的数字人，就是使用相关的语音技术）

和人类学说话一样，机器也需要通过大量的语音片段作为“听力材料”，才能学会发音技巧。以及还得学会一些语言规则，比如语法和韵律，才能像人类一样，说话语气、语境，能表达出字面之外的表意。不然，机器只会说出生硬、没有情感、不连贯的话（就像一些动漫或游戏作品中机器人角色的对话）。

音合成技术目前主要应用在读书软件、导航软件、对话问答系统等中。

百科介绍

搜狗百科（详情）

语音合成是通过机械的、电子的方法产生人造语音的技术。TTS技术（又称文语转换技术）隶属于语音合成，它是将计算机自己产生的、或外部输入的文字信息转变为可以听得懂的、流利的汉语口语输出的技术。

维基百科（详情）

语音合成是人类语音的人工生成。用于此目的的计算机系统称为语音计算机或语音合成器，并且可以用软件或硬件产品实现。甲文本到语音（TTS）系统转换正常语言文本转换成语音; 其他系统呈现符号语言表征，如将语音转录为发音。