什麼是 TTS？TTS 是什麼意思，文字轉語音原理和用途

刷短影片時聽到的 AI 配音，手機讀屏念出的訊息，導航裡提醒你“前方路口右轉”的聲音，背後都是同一項技術：TTS。那麼，什麼是 TTS？TTS 是什麼意思？簡單說，它就是讓機器把文字讀出來。這篇文章從名字講起，講清文字轉語音的原理、幾代技術的變化、常見用途、它和聲音克隆以及語音識別的區別，最後說說怎麼挑工具，以及 TTS 現在還讀不好哪些內容。

TTS 是什麼意思？全稱、叫法和常見場景

TTS 是英文 Text to Speech 的縮寫，直譯就是“文字到語音”，中文一般叫文字轉語音，技術圈更常用的說法是語音合成。產品裡你還會看到“AI 朗讀”“AI 配音”“文本朗讀”這些名字，指的基本是同一件事。

它的輸入永遠是文字：一句話、一篇部落格文章、一本電子書、一條聊天訊息；輸出是一段合成的人聲，可以當場播放，也可以匯出成 MP3、WAV 這樣的音訊檔案。這段聲音不是事先錄好的，而是系統在你點選的那一刻，根據文字現算出來的。

日常生活裡，你多半已經用過它：

• 手機和電腦的讀屏：iPhone 的“旁白”、安卓的 TalkBack、Windows 的“講述人”，都會把螢幕上的內容讀出來。
• 剪輯軟體的配音：剪映裡的“文本朗讀”，輸入字幕就能選一個音色讀出來。
• 聽書和朗讀：很多讀書 App 和瀏覽器都有朗讀功能，通勤、做家務時用耳朵“看”文章。
• 導航和語音通知：地圖導航播報路名，快遞、銀行的語音通知電話，很多也是合成出來的。

文字轉語音原理：一段文字怎麼變成聲音

不管是十幾年前的老系統，還是現在的 AI 模型，TTS 都要回答四個問題：這段文字到底是哪些詞？每個字怎麼讀？整句話的輕重快慢怎麼安排？最後，這些資訊對應的聲音波形是什麼樣子？W3C 制定的語音合成標記語言 SSML 1.1（2010 年）就把合成過程描述成類似的鏈條：文本規範化、文字到音素的轉換、韻律分析，最後生成波形。現在的神經網路模型會把幾步合在一起做，但按四步來理解最清楚。

第一步：文本規範化

書面文字裡有很多“還不是字”的東西，需要先改寫成能讀出來的形式。中文裡這一步尤其容易出錯：

• “2026 年”要讀成“二零二六年”，而“2026 元”要讀成“兩千零二十六元”。
• “3:1”是比分時讀“三比一”，“3:10”是時間時讀“三點十分”。
• “1/2”讀“二分之一”，報警電話“110”習慣讀“么么零”。
• “km”“℃”“%”這些單位和符號，要換成“公里”“攝氏度”“百分之”。

你聽到的讀錯，很多都出在這一步。

第二步：語言學分析

接下來要搞清楚每個字的讀音和句子結構。中文沒有空格，系統先要分詞，判斷“南京市長江大橋”是“南京市 / 長江大橋”而不是別的切法。然後是字音轉換，也就是把漢字轉成拼音和聲調，最難的是多音字：“銀行”的“行”讀 háng，“行走”的“行”讀 xíng；“重要”讀 zhòng，“重新”讀 chóng。

華語還有變調和輕聲：兩個三聲字連在一起，前一個要讀成二聲，所以“你好”實際讀 ní hǎo；“一”和“不”在四聲字前面讀二聲，比如“一個”“不是”；“東西”讀輕聲 dōngxi 時指物品，讀 dōngxī 時指方向。

最後是韻律：哪裡重讀，哪裡停頓，句尾是上揚的疑問還是下降的陳述。標點在這裡作用很大，逗號通常是短停頓，句號是長停頓。

第三步：聲學模型

聲學模型拿到拼音、聲調和韻律安排後，預測這段話“聽起來”應該是什麼樣，通常輸出一張梅爾頻譜圖，也就是聲音在不同頻率上的能量隨時間變化的圖。音色、音高、語速和節奏這些決定“像誰在說話”的特徵，都在這一步體現。神經網路 TTS 裡的聲學模型，是用大量真人錄音訓練出來的。

第四步：聲碼器

頻譜圖還不是能播放的聲音。聲碼器負責把這些特徵還原成真正的音訊波形。早期聲碼器出來的聲音帶著嗡嗡的電流感，也就是大家印象裡的“機器腔”。神經網路聲碼器出現後情況大為改觀：谷歌的 Tacotron 2 論文（2017 年）用一個網路預測梅爾頻譜，再用改進的 WaveNet 做聲碼器，測試中得到 4.53 的平均意見分，同一測試裡專業真人錄音是 4.58。

從“機器腔”到真人感：語音合成的幾代技術

語音合成已經發展了幾十年，你今天聽到的聲音是幾代技術積累下來的結果，而且這幾代技術現在都還能碰到。

DeepMind 在 2016 年發布 WaveNet 時，把老辦法的取捨講得很清楚：拼接合成需要一個非常大的錄音片段庫，聲音很難修改；引數合成靈活，但聽起來不如拼接合成自然。WaveNet 直接對原始音訊波形建模，在 DeepMind 的聽感測試裡，把當時最好的系統和真人之間的差距縮小了一半以上，英語和華語都是如此。

最新的一步借鑑了大語言模型。VALL-E 論文（2023 年）把語音合成當成對音訊編碼的“語言建模”，只用一段 3 秒的錄音就能模仿一個沒見過的說話人。模型聽過足夠多的聲音，就能從一小段樣本里舉一反三，這正是現在零樣本聲音克隆的基礎。

TTS 用在哪些地方

無障礙讀屏

這是 TTS 最重要的用途。世界衛生組織的視力損傷情況介紹（2026 年）顯示，全球至少有 22 億人存在近距離或遠距離視力損傷。對視障使用者來說，讀屏軟體把按鈕、訊息和網頁一條條讀出來，手機才真正可用。有閱讀障礙的人、視力下降的老人，也常靠朗讀功能“聽”文字。

聽書和學習

把長文章、電子書變成音訊，通勤、做飯、睡前都能聽。學外語時，用 TTS 把單詞和課文讀出來跟讀，也很方便。想在 Kindle 上聽書，可以看我們的 Kindle 文字轉語音指南。

導航和智慧裝置

全國那麼多路名，不可能一條條提前錄好，所以地圖導航的播報基本都是即時合成的。智慧音箱、車機、自助取票機和家電的語音提示，也是同樣的原理。

短影片和配音

做知識分享、好物推薦、影視解說的創作者，經常用 AI 配音代替自己出聲，或者先用 TTS 出一版樣片，再決定要不要請配音員。你可以在 AI 語音生成器 裡試聽不同風格的音色；想玩點有意思的，可以看看搞笑文字轉語音這篇。

客服和通知

銀行、營運商、快遞的語音通知和智慧客服電話，很多都用 TTS。改一句話術只要改文字，不用重新找人錄音。

TTS、聲音克隆和語音識別有什麼區別

這三個概念經常被混著說。最簡單的區分方法，是看輸入什麼、輸出什麼。

聲音克隆其實是 TTS 的一個分支：流程一樣，只是多了一步，先提取某個人的聲音特徵，再用它代替預設音色來朗讀。想了解具體怎麼做，可以看聲音克隆教學。語音識別則反過來，把說的話轉成文字。

怎麼挑一款文字轉語音工具

適合的工具取決於你要做什麼。決定之前，先過一遍這幾個問題：

1. 中文讀得準不準？ 別隻聽官方示例，拿你自己的一段文案測試，重點聽數字、多音字、人名和中英混讀，比如“App”是讀成單詞還是一個個字母。
2. 有沒有適合你受眾的音色？ 課程適合沉穩清晰的聲音，兒童故事適合溫和親切的聲音，遊戲和整活影片需要有個性的角色音。把幾個音色放在一起對比試聽。
3. 能不能控制語氣和節奏？ 至少要能調語速。能調停頓、重讀和指定讀音的工具，能省下大量改稿時間。有的工具支援 SSML 標籤，有的提供更簡單的按鈕和輸入框。
4. 音訊能拿來做什麼？ 看清下載格式，以及服務條款是否允許商用。
5. 長文怎麼處理？ 長文案通常要分段生成，確認每段之間的音色和語氣一致。
6. 免費額度用完後怎麼收費？ 準備長期用一個聲音做系列內容，先看清價格和授權。

一個省事的辦法：把同一段 150 字左右的文案分別放進兩三個工具，生成後打亂順序盲聽。這比對著功能清單逐項比較快得多。

TTS 讀不好的地方，以及怎麼補救

現在的神經網路 TTS，短短一句已經很難聽出是合成的，但聽久了，還是會暴露幾個弱點。

多音字和生僻字

多音字靠上下文判斷，句子太短就容易猜錯；生僻字、古詩詞裡的特殊讀音，模型也經常讀錯。辦法是把句子寫完整，讓語境更明確；實在不行就換個同義詞，或者先用同音字代替試聽。

人名、地名、品牌和英文

模型沒見過的詞只能靠猜。中文人名裡的多音字姓氏（比如“單”作姓讀 shàn）、外國地名、品牌名和網路新詞最容易出錯。生成前把這些詞單獨拿出來試一句；英文單詞拿不準讀音，可以先在我們的英文發音指南裡查一下。支援 SSML 的工具，可以用 phoneme 和 sub 標籤直接指定讀法。

數字和符號

規範化只能儘量猜。重要的數字直接寫成漢字讀法：“十點半”代替“10:30”，“兩到三天”代替“2-3 天”，“百分之五十”代替“50%”。

情緒和語氣

TTS 讀的是字面意思，讀不出話外之音。反諷、激動、悲傷，可能被讀得平平淡淡，甚至讀反。用短句、用好標點，選一個本身語氣就接近的音色，比硬拗一個不合適的音色有效得多。

長文的一致性

有聲書、課程這類長內容，分段生成時語速和語氣可能前後不一。每段長度儘量接近，設定保持不變，重點聽段與段的銜接處。