TTS 语音合成是什么？AI 说话的声音怎么来，3 分钟讲清

TTS（Text-to-Speech，语音合成）就是让机器把文字念出来的技术：输入一段文字，输出一段人声。手机语音助手念天气、导航软件报路口、有声书自动配音、数字人开口说话，背后都是它在工作。这篇用一个「学唱歌」的比喻讲清三代技术路线和声音克隆的边界，最后附一段可以直接复述的口径。

TTS 是什么：一句话定义

TTS 是 Text-to-Speech 的缩写，中文叫语音合成，指把任意一段文字自动转换成自然语音的技术。它和 ASR 是一对反方向的技术：ASR 把声音变文字，TTS 把文字变声音，两者拼起来才是完整的人机语音交互。

对产品经理来说，TTS 出现的位置很固定：凡是「需要机器开口说话」的需求，读屏无障碍、智能客服外呼、视频自动配音、车机播报，选型时都会落在 TTS 上。

比喻主线：从剪唱片到学唱歌

早期让机器说话，思路像 DJ 剪唱片，到今天一共走了三代：

1. 拼接合成：请真人把常用词句录成素材库，需要说话时逐段剪出来拼接。每个字都是真声，但衔接生硬，碰到没录过的词就露馅，像歌词东拼西凑的混剪。
2. 参数合成：不再拼录音，改成让模型按声学规律直接「哼」出声音。句子连贯了，音色却发闷，像不懂歌的人严格照谱面唱，一个音不差，就是没有感情。
3. 神经网络合成：2016 年 9 月 DeepMind 发布 WaveNet 论文，让模型直接逐样本生成原始音频波形，人工听感评测显著超过当时最好的拼接和参数系统，英文和中文都验证有效。机器说话从「拼声音」变成了「学唱歌」，今天主流 AI 语音几乎都是这条路线的后代。

声音克隆：听 3 秒就能「翻唱」

神经网络路线在 2023 年 1 月被微软推进一步：VALL-E 论文把语音合成都当成语言模型任务来做，用 6 万小时英文语音做预训练，之后只需要一段 3 秒的目标说话人录音作为提示，就能合成这个人声线的新语音，还能保留录音里的情绪和环境声。

通俗地说，以前机器要学会「唱一个人的歌」得准备大量录音素材，现在听 3 秒就能「翻唱」。

能力越大，边界越要划清：技术上克隆越来越容易，合规门槛没有降低。给自己做配音助手是合法工具，拿克隆声音冒充他人行骗则可能触犯法律。主流厂商的共识是三条：克隆前拿本人授权、合成后可追溯、敏感场景加标注。这也是聊到 TTS 时最能加分的落点。

一段话讲清 TTS

被问到「讲讲 TTS」，可以按这个口径复述：

「TTS 是把文字转成语音的技术，和 ASR 互为逆向过程，一个管说、一个管听。技术上经历三代：拼接合成像剪唱片，参数合成像照谱哼唱，2016 年 WaveNet 开创的神经网络合成像直接学唱歌。现在主流模型只用 3 秒样本就能克隆一个人的声音，所以落地时必须同时考虑授权和合规。」

常见追问有两个。「TTS 和大模型什么关系」：大模型负责想清楚说什么，TTS 负责说出来，是上下游分工。「为什么有的 AI 朗读很平」：要么还在用拼接或参数这类老方案，要么为了播报稳定刻意压低了韵律起伏，效果和场景要一起权衡。

想上手从哪里开始

体验门槛很低：手机自带语音助手、各云厂商的在线合成工具都能免费试听，挑音色、调语速十分钟就能出效果。选产品前可以先看我们整理的智能语音产品横评了解主流工具的能力边界；想看语音链路另一头怎么对抗嘈杂环境，可以读小米开源的鸡尾酒会语音识别模型 CocktailASR-1。

关心实时语音交互的，可以看OpenAI 全双工语音 API 上线解读，也可以把微软开源的流式语音识别 VibeVoice作为延伸阅读。