什么是 TTS？TTS 是什么意思，文字转语音原理和用途

刷短视频时听到的 AI 配音，手机读屏念出的消息，导航里提醒你“前方路口右转”的声音，背后都是同一项技术：TTS。那么，什么是 TTS？TTS 是什么意思？简单说，它就是让机器把文字读出来。这篇文章从名字讲起，讲清文字转语音的原理、几代技术的变化、常见用途、它和声音克隆以及语音识别的区别，最后说说怎么挑工具，以及 TTS 现在还读不好哪些内容。

TTS 是什么意思？全称、叫法和常见场景

TTS 是英文 Text to Speech 的缩写，直译就是“文字到语音”，中文一般叫文字转语音，技术圈更常用的说法是语音合成。产品里你还会看到“AI 朗读”“AI 配音”“文本朗读”这些名字，指的基本是同一件事。

它的输入永远是文字：一句话、一篇公众号文章、一本电子书、一条聊天消息；输出是一段合成的人声，可以当场播放，也可以导出成 MP3、WAV 这样的音频文件。这段声音不是事先录好的，而是系统在你点击的那一刻，根据文字现算出来的。

日常生活里，你多半已经用过它：

• 手机和电脑的读屏：iPhone 的“旁白”、安卓的 TalkBack、Windows 的“讲述人”，都会把屏幕上的内容读出来。
• 剪辑软件的配音：剪映里的“文本朗读”，输入字幕就能选一个音色读出来。
• 听书和朗读：很多读书 App 和浏览器都有朗读功能，通勤、做家务时用耳朵“看”文章。
• 导航和语音通知：地图导航播报路名，快递、银行的语音通知电话，很多也是合成出来的。

文字转语音原理：一段文字怎么变成声音

不管是十几年前的老系统，还是现在的 AI 模型，TTS 都要回答四个问题：这段文字到底是哪些词？每个字怎么读？整句话的轻重快慢怎么安排？最后，这些信息对应的声音波形是什么样子？W3C 制定的语音合成标记语言 SSML 1.1（2010 年）就把合成过程描述成类似的链条：文本规范化、文字到音素的转换、韵律分析，最后生成波形。现在的神经网络模型会把几步合在一起做，但按四步来理解最清楚。

第一步：文本规范化

书面文字里有很多“还不是字”的东西，需要先改写成能读出来的形式。中文里这一步尤其容易出错：

• “2026 年”要读成“二零二六年”，而“2026 元”要读成“两千零二十六元”。
• “3:1”是比分时读“三比一”，“3:10”是时间时读“三点十分”。
• “1/2”读“二分之一”，报警电话“110”习惯读“幺幺零”。
• “km”“℃”“%”这些单位和符号，要换成“公里”“摄氏度”“百分之”。

你听到的读错，很多都出在这一步。

第二步：语言学分析

接下来要搞清楚每个字的读音和句子结构。中文没有空格，系统先要分词，判断“南京市长江大桥”是“南京市 / 长江大桥”而不是别的切法。然后是字音转换，也就是把汉字转成拼音和声调，最难的是多音字：“银行”的“行”读 háng，“行走”的“行”读 xíng；“重要”读 zhòng，“重新”读 chóng。

普通话还有变调和轻声：两个三声字连在一起，前一个要读成二声，所以“你好”实际读 ní hǎo；“一”和“不”在四声字前面读二声，比如“一个”“不是”；“东西”读轻声 dōngxi 时指物品，读 dōngxī 时指方向。

最后是韵律：哪里重读，哪里停顿，句尾是上扬的疑问还是下降的陈述。标点在这里作用很大，逗号通常是短停顿，句号是长停顿。

第三步：声学模型

声学模型拿到拼音、声调和韵律安排后，预测这段话“听起来”应该是什么样，通常输出一张梅尔频谱图，也就是声音在不同频率上的能量随时间变化的图。音色、音高、语速和节奏这些决定“像谁在说话”的特征，都在这一步体现。神经网络 TTS 里的声学模型，是用大量真人录音训练出来的。

第四步：声码器

频谱图还不是能播放的声音。声码器负责把这些特征还原成真正的音频波形。早期声码器出来的声音带着嗡嗡的电流感，也就是大家印象里的“机器腔”。神经网络声码器出现后情况大为改观：谷歌的 Tacotron 2 论文（2017 年）用一个网络预测梅尔频谱，再用改进的 WaveNet 做声码器，测试中得到 4.53 的平均意见分，同一测试里专业真人录音是 4.58。

从“机器腔”到真人感：语音合成的几代技术

语音合成已经发展了几十年，你今天听到的声音是几代技术积累下来的结果，而且这几代技术现在都还能碰到。

DeepMind 在 2016 年发布 WaveNet 时，把老办法的取舍讲得很清楚：拼接合成需要一个非常大的录音片段库，声音很难修改；参数合成灵活，但听起来不如拼接合成自然。WaveNet 直接对原始音频波形建模，在 DeepMind 的听感测试里，把当时最好的系统和真人之间的差距缩小了一半以上，英语和普通话都是如此。

最新的一步借鉴了大语言模型。VALL-E 论文（2023 年）把语音合成当成对音频编码的“语言建模”，只用一段 3 秒的录音就能模仿一个没见过的说话人。模型听过足够多的声音，就能从一小段样本里举一反三，这正是现在零样本声音克隆的基础。

TTS 用在哪些地方

无障碍读屏

这是 TTS 最重要的用途。世界卫生组织的视力损伤情况介绍（2026 年）显示，全球至少有 22 亿人存在近距离或远距离视力损伤。对视障用户来说，读屏软件把按钮、消息和网页一条条读出来，手机才真正可用。有阅读障碍的人、视力下降的老人，也常靠朗读功能“听”文字。

听书和学习

把长文章、电子书变成音频，通勤、做饭、睡前都能听。学外语时，用 TTS 把单词和课文读出来跟读，也很方便。想在 Kindle 上听书，可以看我们的 Kindle 文字转语音指南。

导航和智能设备

全国那么多路名，不可能一条条提前录好，所以地图导航的播报基本都是实时合成的。智能音箱、车机、自助取票机和家电的语音提示，也是同样的原理。

短视频和配音

做知识分享、好物推荐、影视解说的创作者，经常用 AI 配音代替自己出声，或者先用 TTS 出一版样片，再决定要不要请配音员。你可以在 AI 语音生成器 里试听不同风格的音色；想玩点有意思的，可以看看搞笑文字转语音这篇。

客服和通知

银行、运营商、快递的语音通知和智能客服电话，很多都用 TTS。改一句话术只要改文字，不用重新找人录音。

TTS、声音克隆和语音识别有什么区别

这三个概念经常被混着说。最简单的区分方法，是看输入什么、输出什么。

声音克隆其实是 TTS 的一个分支：流程一样，只是多了一步，先提取某个人的声音特征，再用它代替预设音色来朗读。想了解具体怎么做，可以看声音克隆教程。语音识别则反过来，把说的话转成文字。

怎么挑一款文字转语音工具

适合的工具取决于你要做什么。决定之前，先过一遍这几个问题：

1. 中文读得准不准？ 别只听官方示例，拿你自己的一段文案测试，重点听数字、多音字、人名和中英混读，比如“App”是读成单词还是一个个字母。
2. 有没有适合你受众的音色？ 课程适合沉稳清晰的声音，儿童故事适合温和亲切的声音，游戏和整活视频需要有个性的角色音。把几个音色放在一起对比试听。
3. 能不能控制语气和节奏？ 至少要能调语速。能调停顿、重读和指定读音的工具，能省下大量改稿时间。有的工具支持 SSML 标签，有的提供更简单的按钮和输入框。
4. 音频能拿来做什么？ 看清下载格式，以及服务条款是否允许商用。
5. 长文怎么处理？ 长文案通常要分段生成，确认每段之间的音色和语气一致。
6. 免费额度用完后怎么收费？ 准备长期用一个声音做系列内容，先看清价格和授权。

一个省事的办法：把同一段 150 字左右的文案分别放进两三个工具，生成后打乱顺序盲听。这比对着功能清单逐项比较快得多。

TTS 读不好的地方，以及怎么补救

现在的神经网络 TTS，短短一句已经很难听出是合成的，但听久了，还是会暴露几个弱点。

多音字和生僻字

多音字靠上下文判断，句子太短就容易猜错；生僻字、古诗词里的特殊读音，模型也经常读错。办法是把句子写完整，让语境更明确；实在不行就换个同义词，或者先用同音字代替试听。

人名、地名、品牌和英文

模型没见过的词只能靠猜。中文人名里的多音字姓氏（比如“单”作姓读 shàn）、外国地名、品牌名和网络新词最容易出错。生成前把这些词单独拿出来试一句；英文单词拿不准读音，可以先在我们的英文发音指南里查一下。支持 SSML 的工具，可以用 phoneme 和 sub 标签直接指定读法。

数字和符号

规范化只能尽量猜。重要的数字直接写成汉字读法：“十点半”代替“10:30”，“两到三天”代替“2-3 天”，“百分之五十”代替“50%”。

情绪和语气

TTS 读的是字面意思，读不出话外之音。反讽、激动、悲伤，可能被读得平平淡淡，甚至读反。用短句、用好标点，选一个本身语气就接近的音色，比硬拗一个不合适的音色有效得多。

长文的一致性

有声书、课程这类长内容，分段生成时语速和语气可能前后不一。每段长度尽量接近，设置保持不变，重点听段与段的衔接处。