Tacotron 是一种专为文本到语音 (TTS) 合成而设计的神经网络架构，在推进端到端语音生成方面发挥了关键作用。该技术由 Google 研究人员于 2017 年推出，它使用带有注意力机制的序列到序列 (seq2seq) 模型，直接将原始文本输入转换为梅尔谱图（一种压缩的音频表示）。与依赖于手工设计的语言特征、独立的声学模型和声码器的传统 TTS 系统不同，Tacotron 通过将这些组件整合到单个神经网络中简化了流程。这减少了对特定领域专业知识和人工特征工程的需求，使得 TTS 系统的开发和适应性更强。
该架构包含一个编码器、一个基于注意力的解码器以及一个后处理网络。编码器处理输入的文本字符，将其转换为隐藏表示。然后，解码器在注意力机制的引导下逐步生成梅尔谱图帧，该机制将文本序列与相应的音频片段对齐。例如，模型学习将单词“apple”与特定的音高和持续时间模式相关联。Tacotron 1 使用 Griffin-Lim 算法将梅尔谱图转换为波形，而 Tacotron 2（后续工作）将其替换为基于 WaveNet 的声码器，显著提高了音频质量。将梅尔谱图用作中间步骤至关重要，因为与原始波形相比，它们在捕获基本声学细节的同时降低了计算复杂度。
Tacotron 的影响在于它证明了端到端神经 TTS 的可行性，启发了后续的模型，如 FastSpeech、Transformer-TTS 等。它表明注意力机制无需明确的持续时间规则即可处理文本与音频之间的对齐，尽管早期版本由于注意力错误偶尔会出现错误发音或漏词。研究人员后来使用单调注意力等技术解决了这些问题。Tacotron 还通过证明单个模型可以处理多种语言并只需少量调整，从而影响了多语言 TTS 的发展。虽然较新的架构已超越了其性能，但 Tacotron 仍然是现代 TTS 研究的基础性参考，特别是在需要可解释的中间表示或模块化设计的场景中。