让导航应用朗读街道名称，你就能听到文本转语音技术在发挥作用。该系统将文字转换成人类可以理解的波形。早期版本听起来很机械，因为它们是将录制的片段拼接在一起的。而现代神经网络系统直接生成音频，合成语音与人类语音之间的差距已显著缩小。

该流程通常从文本规范化开始：根据上下文将“Dr.”扩展为“Drive”或“doctor”，并将数字和货币转换为口语词汇。接下来是语言分析，用于预测发音、重音和语调。最后，声学模型和声码器将这些特征转换为声音。

它出现在哪里

• 面向盲人和低视力用户的屏幕阅读器
• 语音助手和智能音箱
• 大规模有声读物制作
• 为言语障碍人士提供的辅助工具

不同语言的合成语音质量参差不齐。英语和普通话拥有庞大的录音语料库；而许多非洲语言和土著语言几乎没有语料库，因此它们的合成语音听起来生硬，甚至根本不存在。语音克隆技术又带来了另一重隐患。逼真的语音复制品可能被用于诈骗，因此一些供应商现在会在语音中添加水印或要求用户提供录音许可。