文本转语音技术：从文本到自然语音的两阶段流程

文本转语音（TTS）系统分两阶段把文字转成音频：前端先将文本归一化，并转成 token 与向量表示；后端用神经网络声学模型生成 mel 频谱图，再由声码器合成波形。这一流程出自 ElevenLabs 博客的说明。 该博客称，新一代神经网络语音合成通过深度神经网络学习大量录音与文本配对，产出更自然的语音；其示例用 Eleven v4 演示了对 "desert" 这类同形异音词的发音处理。这是厂商在演示中的说法，并非独立验证的效果。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。