端到端神经文本转语音 (TTS) 是一种使用单个神经网络模型将原始文本直接转换为语音波形的系统，绕过了传统 TTS 方法的多阶段流程。 与传统方法不同，传统方法依赖于手工制作的语言特征、中间表示（如音素或韵律标记）和单独的合成组件，端到端神经 TTS 训练一个统一的模型来处理整个过程。 这种方法通过学习从文本到音频的隐式映射来简化工作流程，减少手动工程并实现更自然的声音输出。
传统的TTS系统通常涉及三个阶段：文本分析（规范化文本，预测音素），声学建模（生成频谱特征，如梅尔频谱图），和波形合成（使用如WaveGAN或Griffin-Lim等声码器）。 例如，像串联TTS这样的旧系统存储了预先录制的语音单元并将它们拼接在一起，通常导致机器人般或不一致的音频。 统计参数TTS（例如，基于HMM的模型）通过算法生成特征来提高灵活性，但仍然需要对音高、持续时间和其他参数进行显式控制。 这些阶段通常会引入在组件间复合的错误，例如发音错误或不自然的韵律，并且需要领域专业知识来调整每个模块。
相比之下，像 Tacotron 2 或 VITS 这样的端到端神经 TTS 模型将文本分析、声学建模和波形合成组合成一个单独的神经网络。 例如，Tacotron 2 使用序列到序列模型来预测文本中的 Mel 频谱图，然后使用类似 WaveNet 的声码器来生成波形。 像 FastSpeech 2 这样的现代变体通过并行化频谱图的生成来进一步优化速度和稳定性。 这些模型直接从配对的文本音频数据中学习，无需显式规则即可捕获语调和强调等细微差别。 虽然传统方法需要标记的语言数据（例如，音素对齐），但端到端系统通常使用原始文本和音频，从而减少预处理。 但是，它们需要大量数据集和计算资源进行训练。 关键的权衡是简单性和质量与前期训练成本——端到端系统最大限度地减少了手动设计，但严重依赖于数据量和质量以很好地推广。