文本转语音

定义

文本转语音指以文字为输入、以人工合成的语音信号为输出的处理过程，其目标产物是清晰、可懂并尽可能接近自然口语的音频。语音合成是一个更大的范畴，既可以从文本合成语音，也可以由其他音频信号生成语音，文本转语音是其中最常见的一支。在工程实践中，该技术常被视为语音识别、自然语言处理之后的输出环节，与它们共同构成人机语音交互的完整回路^[1]。

评价这类系统时，可懂度、自然度和表现力通常被当作三个递进的层次，早期研究主要解决机器能否被听懂，后续工作才转向语气、重音与情感的还原^[2]。合成语音的声学特征主要由音高、音强、音长和决定音色的共振峰共同决定，因此这些参数也是各类合成方法的控制对象^[3]。

原理

典型的文本转语音系统分为前端与后端。前端负责文本规范化、分词、词性判断、多音字消歧与韵律预测，把原始字符串转成带读音和韵律标记的中间表示；后端再依据这些标记生成声学参数并合成波形^[3]。前端的难点集中在多音字、数字与符号的读法、专有名词以及不同语种之间的差异上^[3]。

后端方法经历了数次更替。共振峰合成用滤波器组模拟声道的共振特性，通过激励源与各级共振峰滤波器的串联或并联产生语音，参数具有物理意义但模型较粗糙^[3]。波形拼接则从录制好的语音库中挑选单元并串接，按单元规模可分为双音子合成、单元选择合成和特定领域合成等类型，其中单元选择依赖带索引的大规模录音库，通过目标代价与连接代价搜索最优单元序列^[4]。基音同步叠加(PSOLA)是拼接路线中广泛使用的信号处理手段，能方便地调整韵律参数，但要求准确识别基音周期，且在协同发音处理上存在不足。

统计参数合成把声学建模交给机器学习，早期以隐马尔可夫模型与高斯混合模型为主，之后被深度神经网络取代，但这类方法生成的参数存在过平滑问题，往往需要高性能声码器补偿。神经声码器由此成为关键部件，负责把梅尔频谱等声学特征还原为时域波形^[5]。近年的大模型方案多采用两阶段结构，先由自回归模型生成语义标记，再由条件流匹配模型预测频谱并经声码器输出波形^[6]。

文本层面的控制则依赖语音合成标记语言(SSML)。这种基于 XML 的标记可以指定读音、停顿、语速、音高与音量，被大量商用语音服务采用。EPUB 等电子出版格式把其中的音素元素改造为属性，用于纠正生僻词读音和区分同形异音词^[7]。

发展历程

机械式造声的尝试可追溯到 18 世纪末，1791 年维也纳的发明家沃尔夫冈·冯·肯柏林用风箱、簧片和皮革模仿肺、声带与口舌，能发出部分音素但说不出完整单词^[2]。电子合成的起点通常定在 1939 年，贝尔实验室的霍默·达德利(Homer Dudley)在纽约世界博览会上展出名为 VODER 的装置，用 10 个带通滤波器、键盘和脚踏板由受过训练的操作员实时"演奏"语音。VODER 之前，达德利已研制出用于分析语音的声码器，二者共同确立了浊音/清音激励加滤波器组的参数化思路^[8]。

20 世纪 50 至 60 年代，英国 JSRU、美国 Haskins 实验室与瑞典 Fant 实验室推进了语音产生的声学理论；70 至 80 年代，贝尔实验室在吉姆·弗拉纳根带领下、麻省理工学院的丹尼斯·克拉特(Dennis Klatt)分别取得重要进展，后者在 1980 年发布了串并联混合共振峰合成器，成为较早具备商用价值的系统^[9]。90 年代，参数合成提升空间有限，波形拼接因效果更自然而被广泛采用；以中文为例，带声调的音节约 1400 个，可按音节录制多样本供检索拼接^[2]。单元选择合成方法主要由日本 ATR 提出，后经 AT&T 实验室、爱丁堡大学等机构完善^[9]。

深度学习阶段的关键节点集中在 2016 至 2017 年。2016 年 9 月，深度思维(DeepMind)发布直接对原始音频波形建模的生成模型 WaveNet，一年后又推出生成速度提升约千倍的并行版本^[5]。2017 年 3 月，谷歌提出 Tacotron，可直接从字符生成频谱，在美式英语测试中平均主观意见得分为 3.82^[10]。同年 12 月，Tacotron 2 将序列到序列的梅尔频谱预测网络与 WaveNet 声码器结合，得分升至 4.53，接近专业录音的 4.58^[11]。此后端到端方法成为研究主流^[5]。

2020 年代以后，研究重心转向大语言模型驱动的合成、零样本音色克隆与多方言支持。2025 年 12 月，智谱发布并开源 GLM-TTS，称仅需 3 秒语音样本即可复刻音色^[12]；阿里通义千问同期发布 Qwen3-TTS，支持超过 49 种音色与多种方言^[12]。开源社区中也有支持多种语言和汉语方言、可双向流式输出的系统出现^[13]。

应用

无障碍与教育是最早也最基础的应用方向。屏幕阅读器长期依赖语音合成把网页与文档读给视障用户，语音助手等消费级产品也建立在同一能力之上^[14]。在数字测评场景中，读音错误会影响考生对题意的理解，1EdTech 于 2024 年 9 月发布基于 SSML 的 Data-SSML 规范，为教学资源和考试系统提供统一的读音标注方式^[15]。

内容生产与服务行业是另一大类场景。电子教材、小说等文本可批量转为有声读物，导航与新闻类应用可即时生成播报音频，客服机器人则可与语音识别、自然语言处理模块联动完成应答^[1]。云服务厂商以 API 形式提供多语言音色、语速音量调节、SSML 标记以及时间戳返回等能力，单个合成任务可处理接近 10 万字符的长文本^[16]。视频、游戏与动画的配音，以及数字人的发声，同样依赖此类接口。

局限

自然度仍与真人录音存在差距。以客观评分为例，Tacotron 2 在测试中的平均主观意见得分为 4.53，而专业录音为 4.58，差距虽小但并未消失^[11]。该系统对 decorum、merlot 等复杂单词的发音存在困难，极端情况下还会随机产生异常声响，且不能实时合成，也难以按指令控制情绪^[17]。

音质问题的成因部分来自建模方式。统计参数合成生成的声学参数容易出现过度平滑，导致合成语音与自然语音之间存在可听差距，声码器质量与声学模型的准确度都会影响最终结果。早期以自回归方式逐采样点生成波形的神经声码器，虽然音质出色，却因必须顺序生成而速度偏慢，实时性受限^[18]。

语言学层面的错误同样难以根除。多音字、特殊格式（如时间写法）与语种差异是前端处理的长期难点，拼写或标点位置的细微变化都可能改变输出读音^[3]。即便在 Web 场景，内容作者也长期无法在所有常用合成引擎上一致地标注读音，这正是 W3C 在 2021 年就 HTML 语音表达规范征集意见、1EdTech 另立规范的原因之一^[14]。

此外，音色克隆门槛的下降也带来授权与合规层面的讨论。有电影公司就未经许可合成他人声音发布视频的行为发表声明，这类争议指向的是声音使用的授权边界，而非技术本身的可用性^[12]。

参见

• 语音合成 —— 文本转语音所属的上位技术领域，还包括由音频信号生成语音等分支。

• 语音识别 —— 方向相反的技术，把语音转写为文字，与文本转语音共同构成人机语音交互回路。

• 语音合成标记语言 —— 用于标注读音、停顿、语速与音高的 XML 规范，是文本转语音的可控输入形式。

• 声码器 —— 把声学特征还原为波形的部件，神经声码器是当前高质量合成的关键。

• 共振峰 —— 决定元音音色的声学特征，是参数合成与语音分析的核心概念。

• 屏幕阅读器 —— 长期依赖文本转语音把屏幕内容读出的辅助技术。