几十年来，文本转语音（TTS）技术取得了显著进展，从僵化的、基于规则的系统发展到灵活的、由神经网络驱动的模型，能够生成接近人类的语音。早期的 TTS 依赖于基本的拼接合成或共振峰合成，而现代系统则使用深度学习来生成听起来自然的音频。这些进步得益于计算能力的提升、数据的可得性以及算法创新。
在 20 世纪 80 年代和 90 年代，TTS 系统使用拼接合成技术，即将预先录制好的短语音片段（如双音素或三音素）拼接起来形成单词。例如，20 世纪 80 年代的 AT&T 贝尔实验室系统需要大量人工工作来分割和标注音频。共振峰合成是另一种早期方法，它利用声道的数学模型（共振峰）生成语音。虽然灵活，但这些系统产生的语音听起来很机械——史蒂芬·霍金的合成声音就是著名的例子。这些方法缺乏适应性，需要为新的语言或声音手动调优，并且难以处理自然的韵律（节奏和语调）。
2000 年代出现了统计参数合成，它使用隐马尔可夫模型（HMM）来预测语音特征，如音高和持续时间。像 Festival 和 HTS 这样的系统允许开发者在更大的数据集上训练模型，提高了自然度。然而，突破出现在深度学习领域。2016 年，DeepMind 的 WaveNet 使用卷积神经网络（CNN）对原始音频波形进行建模，产生了前所未有的逼真语音。后来的模型，如 Tacotron（谷歌，2017 年），采用序列到序列的架构，直接将文本映射到声谱图，简化了流程。这些模型计算量大，但为端到端系统奠定了基础，从而消除了手工设计的特征。
如今，现代 TTS 利用基于 Transformer 的架构（例如 FastSpeech）和扩散模型，能够在数据量极少的情况下实现更快、更高质量的合成。例如，Tacotron 2 结合了 CNN 和循环网络，实现了稳健的韵律控制。ESPnet 和 Coqui TTS 等开源框架提供了预训练模型，开发者可以针对特定声音或语言进行微调。边缘部署也得到了改进：TensorFlow Lite 和 ONNX Runtime 现在支持适用于移动设备的轻量级 TTS 模型。此外，多语言支持（例如 Meta 的 Massively Multilingual Speech）和零样本语音克隆（例如 VALL-E）方面的进步扩展了用例。这些创新反映了一种趋势，即转向可扩展、数据驱动的方法，优先考虑灵活性和真实感，而非手动工程。