語音合成技術 是什麼？

Speech Synthesis：語音合成技術 的完整解釋

語音合成技術是一種將文字轉換成人類語音的技術，也稱為文字轉語音（TTS）。它廣泛應用於語音助理、導航系統和輔助科技等領域。

容易混淆

語音合成 vs 語音辨識

語音合成：把文字變成聲音，讓機器會說話。

語音辨識：把聲音變成文字，讓機器聽懂人說了什麼。

最關鍵的區別：一個是輸出聲音，一個是輸入聲音。

記住這句就好

看文字要變成自然聲音，就想到語音合成。

實際案例

你在圖書館用手機開啟朗讀功能，長文章就能直接聽，不必一直盯著螢幕。

導航 App 在你開車時播報前方轉彎，這也是語音合成在工作。

算法與應用

它通常會先把文字轉成音素、韻律和停頓資訊，再由聲學模型與聲碼器產生語音。

現代方法多用深度學習來提升自然度，重點會放在音色、重音、停頓和情緒表現。

中英對照與常見說法

語音合成的範圍比文字轉語音略廣：文字轉語音特指從文字生成，語音合成還包含從其他輸入（例如另一段語音、音素序列）生成人聲。日常對話裡兩者混用不會造成誤解。

技術世代

現在的神經式主流是兩段式：聲學模型把文字轉成梅爾頻譜圖（決定念什麼、怎麼斷句、語調），聲碼器把頻譜還原成波形（決定音質）。近年也有端到端與「把語音當離散 token 用語言模型生成」的做法，後者讓語音合成能力併進大型語言模型。

中文語音合成的特殊難點

多音字判讀。 「行」念 xíng 還是 háng、「重」念 zhòng 還是 chóng、「長」念 cháng 還是 zhǎng，必須靠上下文判斷。這一步叫字音轉換（G2P），是中文語音合成錯誤的主要來源。

三聲連續變調。 兩個三聲相連時前一個要變成二聲（「你好」實際念成 ní hǎo），沒處理會聽起來很生硬。

文字正規化。 數字、日期、單位、英文縮寫都要先決定怎麼念。「3.5」念三點五、「2026/07/29」念年月日、「AI」逐字母念，這些是前處理的規則，不是模型的問題。

中英夾雜在台灣特別常見，模型要能在同一句裡切換發音系統而不突兀。

評估與使用邊界

主要評估方式仍是主觀評分 MOS（請人聽並給 1 到 5 分），客觀指標跟人耳感受的相關性有限。除了自然度，實務上還要看可懂度（在吵雜環境聽不聽得清楚）與一致性（長篇朗讀時音色會不會飄）。

語音複製現在只需要幾秒鐘樣本就能模仿一個人的聲音，這帶來明確的濫用風險。使用他人聲音前必須取得授權，多數服務也要求在輸出中揭露是合成語音。

情境判斷

Q1（直覺題）： 你想讓電子書自己唸出來，這是語音合成嗎？

→ 是，因為輸入是文字，輸出是聲音。

Q2（判斷題）： 如果聲音很像機器人、語氣很平，問題通常只在文字內容嗎？

→ 不只。看情況，常見原因是韻律建模或聲碼器不夠自然。

常見問題

語音合成和 TTS 是同一件事嗎？

是，TTS 就是 text-to-speech，中文常說文字轉語音。

語音合成一定要很像真人嗎？

不一定，重點是要清楚、自然、符合場景，像語音助理和無障礙朗讀就很看用途。

語音合成可以做多語言嗎？

可以，但通常要處理不同語言的發音規則、韻律和音素對應。