19.5 TTS技术演进

TTS（Text-to-Speech，文字转语音）经历了六代演进，每一代解决一个核心问题：

• Tacotron（2017）：第一代端到端TTS。输入文字，输出梅尔频谱图，再用WaveNet声码器把频谱图转成波形。效果突破——不再像机器人，但推理很慢（生成1秒音频需要几秒）。
• FastSpeech（2019）：解决Tacotron的”慢”和”不稳健”。用前馈网络替代自回归，一次生成整段音频的频谱图，速度提升200倍。缺点是音质略有下降。后续FastSpeech 2引入音高、能量、时长等额外监督信号，音质追平。
• VITS（2021）：端到端——不再分”频谱图”和”声码器”两步，直接从文字生成波形。用变分自编码器+对抗训练+归一化流，一步到位。音质自然度大幅提升，是2022-2024年的主流方案。
• Bark（2023）：用GPT风格的Transformer做TTS。把文字token转成音频token（类似图片的patch），自回归生成。特点是能生成非语言声音（笑声、叹气、背景音乐），因为训练数据来自真实音频而非朗读录音。
• ChatTTS（2024）：针对对话场景优化的TTS。支持多人对话、语气变化、语速控制、停顿插入。声音自然度达到”分不清是不是真人”的水平，在播客生成、有声书场景大量使用。
• 2026年趋势：零样本声音克隆（给3秒音频就能模仿任何人的声音）、情感控制（不只是”高兴/悲伤”两种，而是连续的”情感强度”调节）、实时流式TTS（延迟低于100ms，用于语音助手）。

---

← 上一节：19.4 Whisper架构详解 ｜ 下一节：19.6 2026年语音AI应用 →