文本转语音（Text-to-Speech，TTS）技术是一种将书面文本转换为口语音频的系统。它通过处理输入的文本、分析其结构并生成相应的声波，使机器能够生成类似人类的声音。TTS 系统结合了语言规则、声学模型和机器学习算法来创建模仿自然语音模式的合成语音。其主要目标是通过听觉方式使数字内容易于访问，弥合书面信息与偏好或需要音频输出的用户之间的差距。
典型的 TTS 处理流程包括三个主要阶段：文本预处理、语言分析和语音合成。在预处理阶段，系统会清理和规范输入文本——扩展缩写（例如，将“Dr.”扩展为“Doctor”），将数字转换为单词（将“200”转换为“二百”），并处理标点符号。接下来，语言分析将文本分解为语音成分，并确定韵律（节奏、重音和语调）。例如，句子“I love coding!”（我喜欢编程！）中的“love”一词可能会被赋予较高的音高以表达热情。最后，语音合成使用拼接方法（拼接预先录制的语音片段）或神经网络（直接预测原始音频波形）生成音频。现代系统，如亚马逊 Polly 或谷歌的 WaveNet，使用深度学习来生成高度自然的声音。
开发者将 TTS 集成到应用程序中，用于无障碍访问、用户交互和自动化。视障用户使用的屏幕阅读器依赖 TTS 朗读屏幕上的文本，而像 Alexa 或 Siri 这样的语音助手则使用它进行口头回应。在客户服务中，TTS 为引导呼叫者通过菜单的交互式语音应答（IVR）系统提供支持。挑战包括处理同形异义词（例如，“read”的过去式和现在式），支持多种语言，以及降低实时使用的延迟。Mozilla TTS 或谷歌或微软提供的云 API 等工具提供了可定制的解决方案，允许开发者使用 SSML（语音合成标记语言）等参数调整语速、音高甚至情感音调。