文本转语音 (TTS) 和语音转文本 (STT) 系统在人机交互中发挥着相反的作用。TTS 将书面文本转换为可听语音，使设备能够“说”给用户听。 例如，导航应用程序使用 TTS 大声朗读方向。 相反，STT 将口语转录为文本，允许系统处理语音命令或生成记录稿。 常见的例子是像 Siri 这样的语音助手将用户口头查询翻译成文本以进行处理。 虽然两者都涉及处理语言，但它们的输入-输出流是相反的：TTS 从文本开始并生成音频，而 STT 从音频开始并生成文本。
TTS 系统通常涉及多个阶段。 首先，分析输入文本的语法、标点和上下文。 接下来，语言规则或机器学习模型生成语音表示和韵律（节奏、音调）。 最后，合成器生成音频波形，通常使用拼接方法（预先录制的语音片段）或神经网络（如 WaveNet）。 现代 TTS API，例如 Google 的 Text-to-Speech 或 Amazon Polly，允许开发人员将自然发音的声音集成到应用程序中。 挑战包括使语音在不同语言中听起来自然以及处理有歧义的文本（例如，“read”作为过去式或现在式）。 另一方面，STT 系统通过噪声降低、特征提取（例如，梅尔频率倒谱系数）和声学建模等步骤处理音频，将声音映射到音素。 然后，语言模型预测最可能的文本序列。 像 Google Speech-to-Text 或 OpenAI 的 Whisper 这样的工具使用深度学习来处理口音、背景噪音和不同的说话风格。 一个关键的挑战是提高在嘈杂环境或使用不常见的单词时的准确性。
TTS 和 STT 的用例和开发人员注意事项差异很大。 TTS 对于可访问性（例如，屏幕阅读器）、语音界面或有声读物很有价值。 开发人员必须平衡延迟、语音质量和多语言支持。 STT 对于语音控制系统、转录服务或实时字幕至关重要。 在这里，准确性、延迟和处理重叠语音很重要。 虽然两者都依赖于机器学习，但 TTS 通常优先考虑表达性，而 STT 侧重于鲁棒性。 例如，TTS 系统可能会使用扩散模型来生成细微的语音语调，而 STT 系统可能会使用 Transformer 模型来解决同音异义词，例如“their”与“there”。 这两个领域的 API 都抽象了底层复杂性，但开发人员仍然需要处理边缘情况，例如格式化数字或处理特定领域的词汇。