搜尋意圖： 如果你在找「文字生成音訊 是什麼」或「文字生成音訊 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 文字生成音訊（Text-to-Audio）是把一段文字描述直接轉成聲音的生成式 AI 技術，產出的是音樂、音效或環境音，不是唸稿的人聲。它跟文字轉語音（Text-to-Speech）最大的差別，在於生成的是整個聲音場景，還是單純的說話聲。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有想過，一段文字描述能不能直接變成一整段聲音，而不只是把它唸出來？
你可以把它想成請一位配樂師讀你的腳本，然後直接交出成品。 文字生成音訊的重點是：你寫「雨中的城市街道，遠處有車聲」，模型就合成出那個聲音場景。 它重要，是因為影音內容的聲音部分過去只能靠素材庫或錄音，現在多了一條用文字下指令的路。
容易混淆
文字生成音訊 vs 文字轉語音 文字生成音訊：生成音樂、音效以及環境音 文字轉語音：生成人在說話的聲音 最關鍵的區別：文字轉語音的輸出一定是「有人在唸字」，文字生成音訊的輸出通常沒有人聲。這兩個英文名字只差一個字，中文卻是兩件事，查資料時最容易在這裡搞混。
文字生成音訊 vs 音樂生成 文字生成音訊：輸入一定是文字，輸出可以是音樂以外的任何聲音 音樂生成：專指產出音樂，輸入不一定是文字，也可能是旋律片段或和弦 最關鍵的區別：音樂生成是「輸出限定音樂」，文字生成音訊是「輸入限定文字」，兩者重疊但不等於。
文字生成音訊 vs 語音合成技術 文字生成音訊：屬於生成式 AI 的音訊分支 語音合成技術：專門處理把文字變成語音的整套技術 最關鍵的區別：語音合成技術是文字轉語音的底層，跟文字生成音訊是兩條並行的線，不是上下游。
記住這句就好
輸出裡有沒有人在說話，就能分辨你看到的是文字生成音訊還是文字轉語音。
實際案例
案例：短影音要配一段 15 秒的背景音樂 用文字描述情緒與樂器，直接生成一段可用的配樂，不用翻素材庫比對授權
案例：遊戲需要「木門在石造地窖裡緩慢推開」的音效 這種指定得很細的音效在素材庫不一定找得到，用文字描述生成比錄製快
案例：Podcast 想要一段雨聲當轉場 環境音用生成的就夠，不必外出實地錄音
算法與應用
主流做法是先把聲音壓成一種比較好處理的表示，再讓模型依照文字條件一步步生成，最後還原成波形 常見的代表性系統：Meta 的 AudioCraft，底下 MusicGen 負責文字生成音樂、AudioGen 負責文字生成音效；Stability AI 的 Stable Audio，依官方頁面目前標示為 Stable Audio 3.0；學術端常被引用的 AudioLDM 走的是 latent diffusion（潛在擴散）路線 實務上影響成品的通常是三件事：描述寫得夠不夠具體、要生成的長度，以及模型本身擅長音樂還是音效 商用之前要看清楚該模型的授權條款，不同系統對輸出內容的商用權利規定並不一致
情境判斷
Q1（直覺題）： 你要讓網站的無障礙功能把文章唸給視障使用者聽，該用文字生成音訊嗎？ → 不是，那是文字轉語音的工作。文字生成音訊產出的通常沒有人聲。
Q2（判斷題）： 你要幫一支產品影片配背景音樂，一定要用文字生成音訊嗎？ → 看情況。如果只要一段情緒對的通用配樂，授權音樂庫可能更快也更安全；如果需要的氛圍很特定、素材庫翻不到，用生成的才划算。
常見問題
文字生成音訊跟文字轉語音是同一件事嗎？
不是。文字轉語音（Text-to-Speech）生成的是人在說話的聲音，文字生成音訊（Text-to-Audio）生成的是音樂、音效或環境音。兩者英文只差一個字，是最常見的混淆點。
生成出來的音樂可以商用嗎？
要看你用的是哪一個系統，各家對輸出內容的商用權利規定不一樣，使用前要讀該模型或該服務的官方授權條款，不要憑印象假設可以。
為什麼同一段描述每次生成的結果都不一樣？
這類模型本身就帶隨機性，加上描述的具體程度、長度設定與模型版本都會影響結果。要穩定就把描述寫得更具體，並且固定其他設定。
它能生成人聲唱歌嗎？
部分系統做得到，但那通常是獨立的歌聲合成功能，跟一般理解的文字生成音訊不完全是同一條技術線，要看該系統的官方說明。