文字轉語音 是什麼？

Text-to-Speech：文字轉語音 的完整解釋

文字轉語音 (TTS) 技術將文字轉換為人類可理解的語音。它廣泛應用於輔助工具、語音助手和內容創作等領域。

容易混淆

文字轉語音 vs 語音辨識 文字轉語音是把字念出來 語音辨識是把聲音轉成文字 最關鍵的區別：一個是文字到聲音，一個是聲音到文字

文字轉語音 vs 語音合成技術 文字轉語音是常見任務名稱 語音合成技術是更大的技術範圍 最關鍵的區別：任務名稱和技術家族不要混在一起

文字轉語音 vs 錄音 文字轉語音是模型即時產生 錄音是人先把聲音錄好 最關鍵的區別：一個是生成，一個是預先保存

記住這句就好

先讀懂文字，再把聲音的節奏和情緒補上去。

實際案例

無障礙閱讀 視障使用者打開網頁後，系統自動把文章念出來，資訊就能直接聽懂，不必依賴螢幕閱讀文字

客服播報 店家把公告轉成語音播放，能快速產生多語版本，也能讓排班或叫號流程更省人力

算法與應用

| 文字分析 | 先看標點、數字、專有名詞 | 這會影響停頓和讀法 | | 音素轉換 | 把文字拆成發音單位 | 不同語言規則差很多 | | 韻律控制 | 調整重音、速度、語氣 | 自然度常在這裡拉開差距 | | 聲碼器 | 把聲學特徵變成實際聲波 | 這一步影響聲音是否像真人 |

中英對照與常見說法

相對的方向是 STT（Speech-to-Text，語音轉文字），也叫自動語音辨識（ASR）。兩者常被搞混，判斷方式是看輸入是什麼：TTS 輸入文字、輸出聲音；STT 輸入聲音、輸出文字。

現代 TTS 的兩段式架構

第一段，聲學模型（acoustic model）：把文字轉成中間的聲學表示，通常是梅爾頻譜圖（mel-spectrogram）。這一段決定念什麼、怎麼斷句、語調起伏。代表模型有 Tacotron 系列與 FastSpeech 系列。

第二段，聲碼器（vocoder）：把頻譜圖還原成實際的音訊波形。這一段決定音質好不好、有沒有雜音。代表模型有 WaveNet、HiFi-GAN。

近年也有直接從文字到波形的端到端模型（例如 VITS），以及把語音當成離散 token 用語言模型生成的做法，後者讓 TTS 能力併進大型語言模型，是目前變化最快的方向。

評估與實務要點

主觀評分 MOS（Mean Opinion Score） 仍是主要評估方式：請人聽並給 1 到 5 分。客觀指標（例如頻譜距離）跟人耳感受的相關性有限。

中文 TTS 的特殊難點是多音字與變調。 「行」要念 xíng 還是 háng、「重」要念 zhòng 還是 chóng，得靠上下文判斷，這一步叫做字音轉換（G2P）。第三聲連續時的變調規則也需要處理，否則聽起來會很生硬。

數字、單位、縮寫要先正規化。 「2026/07/29」該念成年月日、「3.5」該念成三點五、「AI」該逐字母念，這些規則在文字前處理階段就要決定，不是模型的問題。

語音複製（voice cloning）現在只需要幾秒鐘的樣本。 這帶來明確的濫用風險，使用他人聲音前必須取得授權，多數服務也要求聲明。

情境判斷

Q1（直覺題）：你要把教學文章做成可聽內容，應該用它嗎？ → 可以，這是文字轉語音最典型的用途之一。

Q2（判斷題）：你要辨識會議錄音裡每個人說了什麼，還適合嗎？ → 不適合，那是語音辨識的工作，不是文字轉語音。

常見問題

文字轉語音可以模仿真人聲嗎？

可以到相當接近，但要看資料品質、模型設計和是否有足夠的韻律控制。

它為什麼有時候念錯專有名詞？

因為模型需要知道詞語切分和讀音規則，遇到新詞時容易判斷錯。

TTS 和人類朗讀哪個更適合長篇內容？

長篇、重複播報通常是 TTS 更省力，情感表達和臨場感則常是人類朗讀更強。