语音合成（TTS）（2026.08.25）

概念编号：090

一句话理解

TTS 就是让模型把文字“读出来”，生成具有语速、音色、停顿和情绪的语音。

具体解释

语音合成系统可以控制语言、音色、语速、音高和表达风格。它经常与 ASR 组成语音对话链路：ASR 把人声变成文字，模型处理文字，TTS 再把回答读出来。

边界与易混淆概念

• TTS 不等于 ASR：TTS 是文字转语音，ASR 是语音转文字。
• 声音像真人不等于真人授权：音色克隆涉及身份、同意和版权风险。
• 语音自然不等于内容正确：TTS 只负责表达，不验证文本事实。

例子

把文章转换成播客音频，或让客服 Agent 用指定音色回答用户，都是 TTS。

相关概念

• ASR（自动语音识别）（2026.08.20）
• 多模态（Multimodal）（2026.08.24）
• 媒体生成（2026.08.25）

来源

• Speech synthesis（Wikipedia）

概念卡更新日志

• 2026.08.25｜创建概念卡：复用已有 ASR 概念入口，补齐语音生成链路，登记为 090。