串联式和参数式文本转语音 (TTS) 系统在生成语音的方式上存在根本差异。 串联式TTS 依赖于拼接来自大型数据库的预先录制的语音片段（如单词、音节或音素）。 例如，一个系统可能存储数千个双音素（两个音素之间的声音转换）并将它们组合起来形成句子。 这种方法优先考虑自然度，因为音频片段是真人录制的。 然而，它需要大量的语音数据库，并且在灵活性方面存在不足 - 数据库中不常见的单词或独特的语调可能会听起来像机器人，或者需要手动修复。 较旧的 GPS 导航系统或基本的语音助手通常使用这种方法。
相反， 参数式TTS 通过使用统计或神经模型合成声学特征（如音高、时长和频谱特征）来生成语音。 这些系统不是依赖于预先录制的剪辑，而是预测定义语音的参数，并使用声码器（例如，WaveNet）将它们转换为音频。 例如，在数小时的语音数据上训练的参数模型可以通过调整参数来匹配上下文或情感，从而生成全新的句子。 这种方法更具适应性，因为它可以处理未见过的单词或说话风格，但由于声码器的限制，早期实现通常听起来不太自然。 像 Tacotron 2 这样的现代神经模型已经大大缩小了这一差距。
这两种方法之间的权衡很明显。 串联式TTS在可预测的、特定领域的用例（例如，天气预报）中表现出色的自然度，但需要大量的存储空间，并且在可变性方面存在不足。 参数式TTS提供灵活性和更小的占用空间，使其成为动态应用程序（例如，聊天机器人）的理想选择，尽管高质量合成的计算需求仍然很高。 现在，混合系统将两种方法结合起来：使用参数模型来预测韵律，并使用串联单元来实现自然片段的渲染。 开发人员在两者之间进行选择时，应根据应用程序的需求优先考虑输出质量（串联式）或适应性（参数式）。