语音合成

语音合成是什么？

语音识别是把声音变文字，语音合成（TTS）正好反过来：给它一段文字，它吐出一段自然的人声。你手机里的导航播报、有声书、AI 客服，很多都是 TTS 在「开口」。

它是怎么造出声音的？

老办法：拼积木
早期系统把录好的音节、词语当「积木」拼起来。能用，但生硬，一听就是机器。
新办法：端到端生成
现在的神经网络直接从文字生成声波，不再拼接。模型先理解文字，再预测该用什么音调、节奏、停顿，最后合成连续的语音。

「自然」是怎么做到的？

韵律
人在说话时会有抑扬顿挫。好的 TTS 能根据标点和语义，判断哪里该停顿、哪里该重读。
音色克隆
给一段录音，模型就能模仿这个人的声音——这是「语音克隆」技术，也是深伪（deepfake）声音的来源之一。
情绪表达
越来越多的模型能带着开心、惊讶、严肃的语气朗读，而不是一路平铺直叙。

它用在哪？

有声内容
把文章、电子书直接「念」给你听。
无障碍
帮视障人士把屏幕文字读出来。
语音助手
助手回复你时用的声音，就是 TTS 生成的。

它有什么风险？

声音克隆让「伪造某人说话」变得容易，可能被用于诈骗。所以越来越多的平台在给合成语音打上「水印」，或要求使用时声明来源。

一句话记住：语音合成，就是让机器从「识字」进阶到「会说话」。