完整定義
語音合成技術,又稱文字轉語音(TTS),是一種將文字資訊轉換成人類語音的技術。它利用電腦演算法和模型,將輸入的文字轉換為可聽的聲音訊號,模擬人類的說話方式。語音合成技術在許多領域都有應用,例如語音助理、導航系統、輔助科技和娛樂等。
白話說明
你有沒有按下朗讀按鈕,想知道電腦怎麼把文字念得像人一樣?
你可以把它想成把文字變成聲音的技術,像導航、旁白、電子書朗讀都靠它。
它的重要性在於,很多場景不是要你看字,而是要讓資訊直接「說」出來,方便你邊走邊聽、邊做事邊接收內容。
記住這句
看文字要變成自然聲音,就想到語音合成。
比喻:語音合成技術就像一位專業的配音員,能把任何文字稿變成聽起來很自然的語音 -- 你給它一段文字,它就能用聽起來像真人說話的聲音把它唸出來,還能調整語氣、語速,讓機器「開口說話」,而不是死板的電子音。
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。
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。
演算法與應用
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。
- 說法
- 語音合成
- 出現場合
- 台灣與中國大陸通用的正式用語
- 說法
- 语音合成
- 出現場合
- 簡體寫法
- 說法
- Speech Synthesis
- 出現場合
- 英文原名
- 說法
- TTS(Text-to-Speech,文字轉語音)
- 出現場合
- 產品與 API 文件裡最常見的說法
- 說法
- 語音生成
- 出現場合
- 近年隨生成式模型出現的新說法
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。
- 世代
- 串接式(concatenative)
- 做法
- 事先錄大量語音片段,播放時拼接
- 聽起來
- 單字清楚但接縫明顯,語調僵硬
- 世代
- 參數式(parametric)
- 做法
- 用統計模型產生聲學參數再合成
- 聽起來
- 平順但沉悶,有明顯的機器感
- 世代
- 神經式(neural)
- 做法
- 深度模型直接產生頻譜與波形
- 聽起來
- 接近真人,語調自然
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
是,TTS 就是 text-to-speech,中文常說文字轉語音。
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。
可以,但通常要處理不同語言的發音規則、韻律和音素對應。
SSML 全名 Speech Synthesis Markup Language,是 W3C 制定的 XML 標記語言,用來告訴語音合成引擎怎麼念,例如發音、音量、音高、語速與停頓。很多雲端文字轉語音服務都接受 SSML 輸入,想指定多音字或數字的念法時特別有用。
可以。瀏覽器的 Web Speech API 有 speechSynthesis 介面,用 JavaScript 建立 SpeechSynthesisUtterance 物件,再呼叫 speechSynthesis.speak() 就能念出文字。可用的聲音和語言取決於作業系統與瀏覽器,需要更自然或更一致的聲音時,通常改用雲端服務的語音合成 API。
出現在這些考古題
官方公告試題的逐題解析裡,這 1 題把語音合成技術列為延伸術語。
相關術語
來源
參考來源:en.wikipedia.org
其他格式:Markdown 版本