文本到語音（tts）技術(shù)作為人機(jī)交互領(lǐng)域的一項(xiàng)關(guān)鍵技術(shù)，其發(fā)展經(jīng)歷了從基礎(chǔ)的音素拼接到復(fù)雜的統(tǒng)計(jì)參數(shù)合成，再到當(dāng)前深度學(xué)習(xí)驅(qū)動(dòng)的端到端神經(jīng)網(wǎng)絡(luò)合成的演變。目前主流的 TTS 技術(shù)包括以下幾種主流模式。
1、基于統(tǒng)計(jì)參數(shù)的語音合成
隱馬爾可夫模型（HMM）：通過學(xué)習(xí)語音數(shù)據(jù)建立音素與聲學(xué)特征統(tǒng)計(jì)關(guān)系來合成語音，模型簡(jiǎn)潔、計(jì)算量小，但語音自然度欠佳。
深度神經(jīng)網(wǎng)絡(luò)（DNN）參數(shù)合成：利用 DNN 強(qiáng)大建模能力學(xué)習(xí)文本與聲學(xué)特征映射，語音質(zhì)量較 HMM 有提升，但訓(xùn)練數(shù)據(jù)多、耗時(shí)長(zhǎng)且對(duì)硬件要求高。
2、波形拼接語音合成
基于大語料庫的拼接合成：預(yù)先錄制大量語音片段建庫，依文本挑選拼接，自然度和音質(zhì)好，但需大存儲(chǔ)空間，對(duì)新詞處理有局限。
單元選擇拼接合成：更注重語音單元選擇與拼接策略，能更好處理韻律語調(diào)，然構(gòu)建維護(hù)語音庫需大量人力時(shí)間。
3、混合方法
HMM-DNN 混合模型：結(jié)合兩者優(yōu)勢(shì)，先 HMM 分析再 DNN 優(yōu)化聲學(xué)參數(shù)，平衡質(zhì)量、自然度與計(jì)算成本。
拼接合成與參數(shù)合成混合：常見語音單元拼接，罕見單元參數(shù)合成，兼具兩者長(zhǎng)處，擴(kuò)大系統(tǒng)適應(yīng)性。
4、端到端神經(jīng)網(wǎng)絡(luò)語音合成
Tacotron 系列：從文本直接生成聲學(xué)特征再轉(zhuǎn)語音波形，含注意力機(jī)制，但生成速度慢，處理長(zhǎng)文本耗時(shí)。
FastSpeech 系列：采用非自回歸結(jié)構(gòu)提高合成速度，后續(xù)版本不斷提升精度與自然度。
VALL-E 和 SPEAR-TTS：VALL-E 可依據(jù)少量語音樣本合成相似音色語音且跨語言；SPEAR-TTS 提升質(zhì)量與效率，降低復(fù)雜度與成本。
