文本转语音 (TTS) 提供商通过结合预构建的语言规则、用户自定义和机器学习模型来确保专有名词的正确发音。专有名词（如姓名、品牌或地点）通常偏离标准发音规则，因此 TTS 系统使用专门的技术来处理它们。例如，系统可能会默认使用通用发音规则来处理常用词，但对例外情况应用自定义逻辑，例如“Houston”（在德克萨斯州发音为“HYOO-stən”，但在纽约发音为“HOW-stən”）。
一个关键方法是使用发音词典或词库。这些是预定义的列表，使用来自国际音标 (IPA) 等系统的符号将单词映射到其语音表示。Amazon Polly 或 Google Cloud Text-to-Speech 等提供商维护着涵盖常见专有名词的广泛词库。对于不太常见的术语，开发人员可以通过语音合成标记语言 (SSML) 提供自定义词库。例如，使用 SSML 的 <phoneme> 标记，开发人员可以指定将“Qt”（一个软件框架）发音为“cute”而不是“cut”。一些提供商还允许众包更正，用户提交错误发音以供审查并纳入更新中。
机器学习在处理边缘情况方面发挥着作用。现代 TTS 系统使用在大量音频数据集上训练的神经网络来预测发音，即使对于不熟悉的单词也是如此。这些模型分析单词结构、上下文和语言模式。例如，模型可能会根据包含越南语名称的训练数据推断出“Nguyen”（越南语姓氏）发音为“win”。但是，这种方法并非万无一失——不寻常或新造的术语（例如“X Æ A-12”）可能仍然需要人工干预。为了解决这个问题，一些提供商将自动预测与回退规则相结合，例如拆分复合词或检查已知的后缀（例如城市名称中的“-ville”）。
最后，TTS 系统通常允许开发人员以编程方式覆盖发音。Microsoft Azure Speech 等服务允许通过 API 上传自定义词库，从而确保正确说出特定领域的术语（如医学术语或产品名称）。例如，导航应用程序可以通过将术语链接到其语音拼写“sənt ˈluːɪs”，确保将“Saint Louis”发音为“Saint LOO-iss”而不是“Saint LEW-ee”。这些自定义层与持续的模型训练和社区反馈相结合，有助于 TTS 系统平衡各种用例的准确性和灵活性。