配音圈-特价配音平台-配音网-短视频配音-金科欧语配音网-童声配音-广告配音-宣传片配音-专题配音

我们可以把TTS看作是一个序列对序列的问题，它包括2个主要阶段，即文本分析和语音合成。文本分析与一般的自然语言处理（NLP）步骤相当相似（尽管我们在使用深度神经网络时可能不需要He**e预处理）。例如，句子分割、单词分割、语音部分（POS）。优质阶段的输出是grapheme-to-phoneme(G2P)，它是第二阶段的输入。在语音合成中，它将优质级的输出生成波形。

语音合成是通过机械的、电子的方法产生人造语音的技术。TTS技术（又称文语转换技术）隶属于语音合成，它是将计算机自己产生的、或外部输入的文字信息转变为可以听得懂的、流利的汉语口语输出的技术。

波形拼接自八十年代末期至今，语言合成技术又有了新的进展，特别是基音同步叠加（PSOLA）方法的提出（1990），使基于时域波形拼接方法合成的语音的音色和自然度大大提高。九十年代初，基于PSOLA技术的法语、德语、英语、日语等语种的文语转换系统都已经研制成功。这些系统的自然度比以前基于LPC方法或共振峰合成器的文语合成系统的自然度要高，并且基于PSOLA方法的合成器结构简单易于实时实现，有很大的商用前景。

参数合成在语音合成技术的发展中，早期的研究主要是采用参数合成方法。值得提及的是Holmes的并联共振峰合成器（1973）和Klatt的串/并联共振峰合成器（1980），只要精心调整参数，这两个合成器都能合成出非常自然的语音。优具代表性的文语转换系统当数美国DEC公司的DECtalk（1987）。但是经过多年的研究与实践表明，由于准确提取共振峰参数比较困难，虽然利用共振峰合成器可以得到许多逼真的合成语音，但是整体合成语音的音质难以达到文语转换系统的实用要求。