语音合成（TTS）

语音合成（Text-to-Speech，简称 TTS，又称文字转语音）是用人工方式生成人类语音的技术：计算机接收一段文字，输出一段听起来像真人朗读的声音。实现这一功能的软件或硬件系统通常被称为语音合成器。

概述

语音合成可以看作语音识别的「反向操作」——后者把声音变成文字，前者把文字变成声音。一个典型的 TTS 系统先对文本做前端分析（断句、多音字消歧、数字和符号的读法转换等），再由声学模型预测语音的韵律和频谱特征，最后通过声码器生成可播放的音频波形。也有系统直接从音标等语言符号生成语音。

早期的语音合成主要走两条路线：一是拼接合成，把真人录制的语音片段切碎后按需拼接，音质自然但灵活性差；二是参数合成，用统计模型生成语音参数，灵活但机械感明显。近年来深度学习带来了端到端的神经网络语音合成，合成语音在音色、语气和停顿上已经非常接近真人，甚至只需几秒样本就能克隆出特定人的声音。

主要特点

• 自然度高：现代神经网络 TTS 能模拟真人的语调、重音和情感起伏。
• 多音色多语言：同一系统可提供男声、女声、童声及多种语言和方言。
• 可定制：支持调节语速、音量、停顿，部分服务支持声音克隆定制专属音色。
• 实时性:很多引擎可以边输入边合成，满足对话和直播场景。

应用场景

语音合成的应用非常广泛：手机语音助手和智能音箱的「说话」能力、地图导航播报、有声书和新闻朗读、短视频 AI 配音、客服机器人，以及帮助视障人士使用屏幕阅读器获取信息的无障碍场景。国内外主流云服务商和多家 AI 公司都提供 TTS 接口，许多操作系统也内置了基础的朗读功能。

需要注意的是，逼真的声音克隆也带来了冒充他人、电信诈骗等滥用风险，不少国家和平台已要求对 AI 合成语音进行标识，使用他人声音前应取得授权。

常见问题

问：语音合成和语音识别有什么区别？答：方向相反。语音合成（TTS）把文字变成语音；语音识别（ASR）把语音转写成文字。两者常配合使用，构成语音助手「听懂再回答」的完整链路。

问：语音合成可以免费使用吗？答：可以。操作系统自带的朗读功能、部分开源模型都可免费使用；云厂商的 TTS 接口通常有免费额度，超出后按合成字符数计费，高拟真定制音色一般需要付费。

问：用 TTS 克隆别人的声音合法吗？答：未经授权克隆他人声音可能侵犯人格权并触犯相关法规，用于诈骗更属违法。正规平台通常要求本人授权验证，使用时应遵守当地法律并对 AI 生成内容做明确标识。