AI 术语表 · 入门 · 语音与音频
TTS
TTS（Text-to-Speech，语音合成）是把文字句子转换成听起来像人声的语音并朗读出来的技术。
通俗解释 它类似于拿到台本后出声朗读的配音演员。不过，AI 配音演员并不是像人一样理解句子含义再注入情感，而是按照学到的大量语音模式，生成听起来合理的语调。
工作原理
首先在文本分析阶段，把数字和缩写展开成读法，并确定发音和停顿位置。接着，声学模型根据这些信息生成包含音高、时长、音色的中间表示（类似声音的设计图）。最后，名为声码器的部分把这张设计图转换成真正能听到的语音波形。近来，把这些阶段合并为一个深度学习模型，或者像 LLM 那样把声音切分成 token 依次生成的方法也被广泛采用。
为什么重要
凡是需要“能听的屏幕”的地方都会用到 TTS，例如语音助手、导航、有声书以及面向视障人士的屏幕朗读功能。它与语音识别（ASR）、LLM 结合在一起，就成了能与人用语音对话的 AI 助手。如今的 TTS 已经自然到难以与真人声音区分，还可以指定情感或说话风格。随着小模型也能达到可用的质量，直接在手机上运行的端侧 TTS 也在增多。
注意事项
仅凭一小段录音就能模仿特定人物声音的“声音克隆”成为可能，人们对其被用于电话诈骗和深度伪造的担忧也随之加深。因此，许多服务会在生成的语音中加入 AI 水印，或设置确认本人同意的机制。此外，在专有名词、外来词、数字的读法以及随上下文变化的语调等方面，仍可能出现不自然的错误。
示例
本站介绍过的“Paradee：将 Kokoro-82M Distill 为 8M 参数单音色 TTS”就是一个很好的例子。内容是以相对较小的开源 TTS 模型 Kokoro-82M 为 Teacher 模型，把它 Distill 成只发出一种声音、规模小得多的 Student 模型。它体现了一种趋势：以减少音色种类为代价让模型更轻量，使 TTS 更容易在手机或小型设备上运行。
本站出现过的地方
- 简报 Paradee：将 Kokoro-82M Distill 为 8M 参数单音色 TTS 2026-10-06