什么是文本转语音？一份通俗易懂的指南

文本转语音（TTS），也称语音合成，是一种把文字朗读出来的软件。您输入一句话，它就返回一个音频文件，或者实时播放一段朗读这句话的语音。这个声音并不是某个人朗读您原话的录音，而是由计算机模型当场生成的——模型已经学会了某个特定声音如何发出各种音素、词语和句子。

您几乎肯定已经听过 TTS：GPS 导航、电话语音菜单、盲人和低视力人士使用的屏幕阅读器、电子书的“朗读”功能，以及越来越多的 YouTube 旁白和短视频。

目前大多数系统大致分三个阶段工作。您看不到这些过程，但了解它们有助于理解为什么某些文本会出问题。

1. 读取并规范化文本

首先，系统要弄清楚实际应该读出什么。“1/2”可能读作“二分之一”，也可能是“一月二日”；“2026”作为年份通常读作“二零二六”，作为数量则读作“两千零二十六”；“¥5”要读成“五元”。系统还会把文本拆分成句子，并确定每个字词的读音，这比听起来难得多：比如“行”在“银行”和“行走”中的读音就不一样。

2. 规划声音

接下来，神经网络会预测这句话应该怎么读：哪些音节要重读、音高在哪里升降、每个音持续多长时间、短暂的换气放在哪里。这种旋律和节奏称为韵律，它正是“听起来像真人”和“听起来像机器在念清单”之间的主要区别。

3. 生成音频

最后，另一个模型（通常称为声码器）把这份规划变成可以播放的真实声波。早期系统是把预先录制好的细小语音片段拼接起来，所以听起来断断续续。神经网络系统直接生成波形，因此如今的语音听起来很流畅。

• 韵律。 自然的节奏和语调比单纯的音质更重要。一个干净但平板的声音听起来依然很假。
• 语言和口音是否匹配。 为某种语言训练的声音，读其他语言的词时通常会很吃力。请选择与文本语言一致的声音，最好还能符合听众期待的口音。
• 文本本身。 缩写、不常见的名字、缺少标点以及过长的句子，是导致奇怪效果最常见的原因。我们的为文本转语音撰写脚本指南介绍了如何解决这些问题。
• 语速和音调设置。 小幅调整很有帮助；设置过于极端，任何声音都会显得怪异。

• 无障碍。 用听代替读，可以帮助低视力、阅读障碍、容易疲劳或有其他阅读困难的人。请参阅文本转语音与无障碍。
• 视频旁白。 当创作者无法或不想录制自己的声音时，会用 TTS 制作 YouTube 讲解视频、教程和短视频。请参阅制作 YouTube 配音。
• 学习语言。 用母语口音的声音、以较慢的语速听一句话，有助于纠正发音。请参阅用文本转语音学习语言。
• 校对。 听别人把您写的内容读出来，是发现别扭句子和漏字的最快方法之一。
• 有声书和长篇收听。 请参阅用 TTS 朗读有声书。

即使是优秀的 AI 语音，也可能读错生僻的人名、品牌名和外来词。它们无法像真人旁白那样理解您的文字，所以玩笑、讽刺和强烈的情绪往往会被读得很平淡。而且由于合成语音如今已经非常逼真，绝不能用它来模仿真实的人或欺骗听众。

应对这些局限，最实用的办法是修改文本，而不是和声音较劲：把难读的名字按读音写出来，把长句拆短，并在需要停顿的地方加上标点。

在工作室中，您每次最多可以粘贴 2,000 个字符，从涵盖 76 种语言的 583 种语音中选择，调整语速和音调，试听并下载结果。无需注册账户。如果不确定从哪个声音开始，请阅读如何选择合适的 AI 语音。