语音合成器是采用机械、电子或计算机手段把文本等符号信息转换成可听语音的设备或软件,通常也被称为文本转语音(TTS)系统。它涉及语言学、声学、数字信号处理与计算机科学等多个学科,核心目标不只是让人听懂,还要让输出接近真人说话的自然度。与磁带录音机等依靠预先录制再回放的设备不同,语音合成器可以在任意时刻把任意文本转成语音,在导航播报、有声读物、智能客服和无障碍阅读等场景中发挥作用。
定义
语音合成器是把书面文本或其他符号信息自动转换为语音信号输出的技术装置或程序,英文一般写作 Speech Synthesizer,对应的技术统称语音合成,常见的别称有文本转语音(Text to Speech,TTS)与文语转换[1]。它要解决的问题是把文字信息变成可以听见的声音信息,让机器能够开口说话[2]。
业界通常把执行这一任务的软件系统称为 TTS 引擎,从导航设备到屏幕阅读器都能见到这类引擎[3]。传统的声音回放设备依靠事先录制的内容再重放,而语音合成器能够在需要时把任意文本实时转换成语音,这是两者的本质区别[1]。
原理
一套典型的 TTS 系统分为前端和后端。前端负责把含有数字、缩写等符号的原始文本规范化成词,给每个词标注音标,并按短语、从句、句子等单位划分韵律单元;后端则把符号化的表示转换成声音,这一部分通常称为声码器,有时还要同时计算音高轮廓和音素时长等韵律参数[4]。
从模块角度看,整套流程可以拆成文本分析、语言分析和波形生成三块。文本分析把源文本切分为有意义的词群,语言分析判断这些词群之间的停顿、时长和相互关系,给出按顺序排列的音素表示,再由声码器生成语音波形,完成从文字到声音的转换[5]。
声学建模阶段决定音素与语言表示如何对应到基频、频谱包络和时长等声学特征。传统参数式系统经由声码器从紧凑编码的参数生成语音,便于精细控制语速和音高;神经声码器出现后,模型可以直接对原始波形采样建模,不再依赖手工设计的声学特征[3]。端到端的序列到序列模型则把字符序列直接映射为梅尔频谱表示,取消了以往彼此独立的文本分析、声学建模和声码器环节[3]。
发展历程
人类尝试用机器模拟语音的历史可以追溯到公元 11 世纪。1779 年,德裔丹麦科学家克拉岑斯坦(沃尔夫冈·冯·肯佩伦)建立的人类声道模型能够发出 5 个长元音,后来又加入舌头和嘴唇的模型,可以产生辅音和元音[4]。1930 年代,贝尔实验室开发出声码器,它能够自动把语音分解为基音和共振,成为后来文本到语音转换系统的基础设施之一[4]。
1960 年,范特(G. Fant)在《言语产生的声学理论》一书中系统阐述了言语产生的声学理论,此后大批串联或并联共振峰合成器相继诞生[6]。早期研究主要采用参数合成方法,其中较有代表性的是 1973 年霍尔姆斯的并联共振峰合成器和 1980 年克拉特的串并联共振峰合成器,1987 年美国 DEC 公司推出的 DECtalk 则是当时最具代表性的文语转换系统[1]。
20 世纪 80 年代末以来,基音同步叠加(PSOLA)方法于 1990 年提出,使基于时域波形拼接的合成语音在音色和自然度上明显改善,采用这一技术的法语、德语、英语、日语等语种文语转换系统随后研制成功[1]。20 世纪末,统计参数语音合成成为新的主流算法,其中以基于隐马尔可夫模型的方案最为成功,它无需人工干预即可自动搭建合成系统,对发音人和发音风格的依赖较小[6]。
2016 年,谷歌(Google)旗下深度思维(DeepMind)团队提出基于深度学习的 WaveNet 语音生成模型,它可以直接对原始语音数据建模,避免声码器参数化造成的音质损失[6]。在此基础上,端到端语音合成模型迅速发展,在部分数据集上已接近人类说话水平[6]。
应用
语音合成在智能化领域应用广泛,在智能导航、智能播报和智能硬件等场景中承担关键作用[4]。具体的落地形式包括语音播报系统、有声读物、地图导航和信息查询系统,以及面向视障用户的屏幕阅读器[6]。
在交互系统中,语音合成常与语音识别配合,构成既能听又能说的口语对话系统[2]。电信领域的交互式语音应答、语言学习平台的发音示范、虚拟助手和对话式人工智能接口也都是常见用途[3]。
针对发声功能受损人群,统计语音合成与音质转换技术也有医疗与福利方向的应用研究,例如让计算机模仿肌萎缩侧索硬化症患者的声音,使其以本人的音色输出语音[7]。
局限
衡量合成质量的重要指标是自然度,即输出听起来与人类语音的接近程度。无论是集成在操作系统、智能手机和平板中的语音助手,还是各类定制播报与导航模块,生成的声音与真人发声仍有差距,往往一听便知[4]。
汉语合成面临特有的困难。汉语有声调、语气和变调,多音字、数字与专有名词的读音随上下文而变,容易导致输出发音不准确;口语中的特殊变调也会造成声调偏差[4]。断句同样棘手,合成语音的停顿由前端在文字、词汇短语和意群之间插入长短不同的静音实现,遇到口语化或结构复杂的句子,前端分析不准就会出现停顿奇怪、整句韵律受影响的情况[4]。
后端也存在固有限制。声音参数选择不当或声码器设计不佳,会带来清晰度差、还原度不足和杂音过大等问题[4]。此外,基于深度神经网络的合成需要大量录制语音来优化网络参数,训练数据的规模与计算效率构成现实约束[8]。高度逼真的合成语音还可能被用于冒充他人身份,带来身份盗用和名誉侵权等风险,一些地区已针对恶意制作虚假音视频内容立法[4]。
参见
参考资料
- [科普中国]-语音合成 [引用日期2026-10-14]
- [科普中国]-语音合成 [引用日期2026-10-14]
- Speech synthesis | IEEE Technology Navigator [引用日期2026-10-14]
- 让AI开口说话，为什么这么难？ [引用日期2026-10-14]
- 让AI开口说话，为什么这么难？ [引用日期2026-10-14]
- “语音合成”二三事丨智言智语 [引用日期2026-10-14]
- 音声の障がい者のための最先端音声合成技術 [引用日期2026-10-14]
- Research on the Methods of Speech Synthesis Technology [引用日期2026-10-14]