文字转语音（TTS）的原理是什么？神经TTS又是什么？

TTS 系统的三个阶段

1. 文本规范化。系统把文字改写成可以朗读的词。“Dr. Lee paid $25 on 3/4”要变成类似“Doctor Lee paid twenty-five dollars on March fourth”（或“the third of April”，取决于地区）的形式。很多读错的情况出在这里，而不是声音本身。中文里同样如此，“2026/3/4”“¥25”“第 3 章”都需要先转成口语读法。
2. 语言学分析。把词转换成音素（一种语言的发音单位），并预测重音、断句和语调。拼写相同但读法不同的词，例如英语里现在时和过去时的“read”，或者有多个读音的汉字（多音字），都需要结合上下文判断。
3. 波形生成。把发音及其时间安排变成音频采样。早期系统把录好的片段拼接起来（拼接合成），或使用共振峰模型，听起来像机器人。神经系统则用网络来预测音频。

经典的神经网络设计 Tacotron 2 清楚地展示了现代的分工：一个网络把文本映射成梅尔频谱图（语音的时间-频率图像），第二个网络，即声码器（vocoder），再把这张图变成波形。在作者的听感测试中，它的得分接近专业录音。较新的系统常常把这些阶段合并，或者用类似语言模型的网络生成压缩的音频 token，因此只需一小段样本就能复制说话人的声音。

神经TTS与浏览器自带的系统语音

网页可以通过 Web Speech API 朗读，自己不需要任何模型。speechSynthesis 对象使用平台提供的某个声音，朗读一个 SpeechSynthesisUtterance。

每个声音都带有 localService 标志。规范规定：本地合成器为 true，远程服务为 false；远程声音可能需要网络，并会增加延迟。

const u = new SpeechSynthesisUtterance("Your order has shipped.");
u.lang = "en-GB";
u.rate = 0.9;   // 1 is normal; spec allows 0.1 to 10
u.pitch = 1.0;  // 0 to 2, 1 is the voice default
u.volume = 1.0; // 0 to 1
const voices = speechSynthesis.getVoices();
u.voice = voices.find(v => v.lang === "en-GB") || null;
speechSynthesis.speak(u);

声音列表常常在页面启动之后才加载，所以 getVoices() 一开始可能返回空列表；请监听 voiceschanged 事件。例如 cv.cm 的文字转语音工具用的就是这些内置声音，并提供语速和音高控制。它适合快速试听草稿，而不是神经语音生成器，可选的声音取决于你的设备。

SSML：控制停顿和读音

语音合成标记语言（SSML）是 W3C 标准，是一种告诉 TTS 引擎如何朗读文字的 XML。大多数云端 TTS 服务都接受它。Web Speech 规范允许在 utterance 中使用 SSML，但不支持某些标签的引擎必须把标签去掉、朗读剩下的文字，所以各浏览器的支持并不一致。

<speak>
  Your code is <say-as interpret-as="characters">A7K</say-as>.
  <break time="500ms"/>
  Please call <sub alias="World Health Organization">WHO</sub>
  before <prosody rate="90%" pitch="+2st">Friday at noon</prosody>.
  The word is <phoneme alphabet="ipa" ph="təˈmɑːtoʊ">tomato</phoneme>,
  and it is <emphasis level="strong">not</emphasis> optional.
</speak>

如果某个服务忽略 SSML，你仍然可以用纯文字来引导：用逗号和句号控制停顿，把数字拼写成文字，对难读的名字用拼音或音标式写法替代。

写出念起来好听的文字

• 用短句。长句会让声音找不到自然的换气点。
• 数字要按希望的读法来写，比如“二零二六年”还是“两千零二十六年”。
• 展开听众需要听到的缩写和单位：“km/h”可能被逐字母读出来。
• 设对语言和地区。用 en-US 的声音读西班牙语人名，或用 zh-CN 的声音读英文，会用错发音体系。
• 发布前把结果完整听一遍。检查人名、数字和有两种读法的词。

声音克隆：授权与法律

现代模型可以凭一小段录音模仿一个人的声音。这对给自己的视频配音，或者让失声的人重新发声很有用，同样也被用来诈骗，比如冒充亲属或公司负责人的电话。任何一个人的声音，都应当视为属于说话人的个人信息。

正规的克隆服务会在创建声音之前，要求说话人录制一段同意声明。如果某个工具允许你用任意片段克隆任何人的声音，且没有这类校验，凡是要发布的内容就不要使用它。