語(yǔ)音合成是通過(guò)機(jī)械的、電子的方法產(chǎn)生人造語(yǔ)音的技術(shù)。TTS技術(shù)(又稱(chēng)文語(yǔ)轉(zhuǎn)換技術(shù))隸屬于語(yǔ)音合成，它是將計(jì)算機(jī)自己產(chǎn)生的、或外部輸入的文字信息轉(zhuǎn)變?yōu)榭梢月?tīng)得懂的、流利的漢語(yǔ)口語(yǔ)輸出的技術(shù)。
語(yǔ)音合成是利用電子計(jì)算機(jī)和一些專(zhuān)門(mén)裝置模擬人，制造語(yǔ)音的技術(shù)。
專(zhuān)業(yè)技術(shù)語(yǔ)音合成和語(yǔ)音識(shí)別技術(shù)是實(shí)現(xiàn)人機(jī)語(yǔ)音通信，建立一個(gè)有聽(tīng)和講能力的口語(yǔ)系統(tǒng)所必需的兩項(xiàng)關(guān)鍵技術(shù)。使電腦具有類(lèi)似于人一樣的說(shuō)話(huà)能力，是當(dāng)今時(shí)代信息產(chǎn)業(yè)的重要競(jìng)爭(zhēng)市場(chǎng)。和語(yǔ)音識(shí)別相比，語(yǔ)音合成的技術(shù)相對(duì)說(shuō)來(lái)要成熟一些，并已開(kāi)始向產(chǎn)業(yè)化方向成功邁進(jìn)，大規(guī)模應(yīng)用指日可待。語(yǔ)音合成，又稱(chēng)文語(yǔ)轉(zhuǎn)換(Text
to
Speech)技術(shù)，能將任意文字信息實(shí)時(shí)轉(zhuǎn)化為標(biāo)準(zhǔn)流暢的語(yǔ)音朗讀出來(lái)，相當(dāng)于給機(jī)器裝上了人工嘴巴。它涉及聲學(xué)、語(yǔ)言學(xué)、數(shù)字信號(hào)處理、計(jì)算機(jī)科學(xué)等多個(gè)學(xué)科技術(shù)，是中文信息處理領(lǐng)域的一項(xiàng)前沿技術(shù)，解決的主要問(wèn)題就是如何將文字信息轉(zhuǎn)化為可聽(tīng)的聲音信息，也即讓機(jī)器像人一樣開(kāi)口說(shuō)話(huà)。我們所說(shuō)的“讓機(jī)器像人一樣開(kāi)口說(shuō)話(huà)”與傳統(tǒng)的聲音回放設(shè)備(系統(tǒng))有著本質(zhì)的區(qū)別。傳統(tǒng)的聲音回放設(shè)備(系統(tǒng))，如磁帶錄音機(jī)，是通過(guò)預(yù)先錄制聲音然后回放來(lái)實(shí)現(xiàn)“讓機(jī)器說(shuō)話(huà)”的。這種方式無(wú)論是在內(nèi)容、存儲(chǔ)、傳輸或者方便性、及時(shí)性等方面都存在很大的限制。而通過(guò)計(jì)算機(jī)語(yǔ)音合成則可以在任何時(shí)候?qū)⑷我馕谋巨D(zhuǎn)換成具有高自然度的語(yǔ)音，從而真正實(shí)現(xiàn)讓機(jī)器“像人一樣開(kāi)口說(shuō)話(huà)”。
轉(zhuǎn)換系統(tǒng)文語(yǔ)轉(zhuǎn)換系統(tǒng)實(shí)際上可以看作是一個(gè)人工智能系統(tǒng)。為了合成出高質(zhì)量的語(yǔ)言，除了依賴(lài)于各種規(guī)則，包括語(yǔ)義學(xué)規(guī)則、詞匯規(guī)則、語(yǔ)音學(xué)規(guī)則外，還必須對(duì)文字的內(nèi)容有很好的理解，這也涉及到自然語(yǔ)言理解的問(wèn)題。如《聲道頻域特性(頻率響應(yīng)圖)》所示，顯示了一個(gè)完整的文語(yǔ)轉(zhuǎn)換系統(tǒng)示意圖。文語(yǔ)轉(zhuǎn)換過(guò)程是先將文字序列轉(zhuǎn)換成音韻序列，再由系統(tǒng)根據(jù)音韻序列生成語(yǔ)音波形。其中第一步涉及語(yǔ)言學(xué)處理，例如分詞、字音轉(zhuǎn)換等，以及一整套有效的韻律控制規(guī)則;第二步需要先進(jìn)的語(yǔ)音合成技術(shù)，能按要求實(shí)時(shí)合成出高質(zhì)量的語(yǔ)音流。因此一般說(shuō)來(lái)，文語(yǔ)轉(zhuǎn)換系統(tǒng)都需要一套復(fù)雜的文字序列到音素序列的轉(zhuǎn)換程序，也就是說(shuō)，文語(yǔ)轉(zhuǎn)換系統(tǒng)不僅要應(yīng)用數(shù)字信號(hào)處理技術(shù)，而且必須有大量的語(yǔ)言學(xué)知識(shí)的支持。
語(yǔ)音合成技術(shù)的研究已有兩百多年的歷史，但真正具有實(shí)用意義的近代語(yǔ)音合成技術(shù)是隨著計(jì)算機(jī)技術(shù)和數(shù)字信號(hào)處理技術(shù)的發(fā)展而發(fā)展起來(lái)的，主要是讓計(jì)算機(jī)能夠產(chǎn)生高清晰度、高自然度的連續(xù)語(yǔ)音。在語(yǔ)音合成技術(shù)的發(fā)展過(guò)程中，早期的研究主要是采用參數(shù)合成方法，后來(lái)隨著計(jì)算機(jī)技術(shù)的發(fā)展又出現(xiàn)了波形拼接的合成方法。
參數(shù)合成在語(yǔ)音合成技術(shù)的發(fā)展中，早期的研究主要是采用參數(shù)合成方法。值得提及的是Holmes的并聯(lián)共振峰合成器(1973)和Klatt的串/并聯(lián)共振峰合成器(1980)，只要精心調(diào)整參數(shù)，這兩個(gè)合成器都能合成出非常自然的語(yǔ)音。最具代表性的文語(yǔ)轉(zhuǎn)換系統(tǒng)當(dāng)數(shù)美國(guó)DEC公司的DECtalk(1987)。但是經(jīng)過(guò)多年的研究與實(shí)踐表明，由于準(zhǔn)確提取共振峰參數(shù)比較困難，雖然利用共振峰合成器可以得到許多逼真的合成語(yǔ)音，但是整體合成語(yǔ)音的音質(zhì)難以達(dá)到文語(yǔ)轉(zhuǎn)換系統(tǒng)的實(shí)用要求。自八十年代末期至今，語(yǔ)言合成技術(shù)又有了新的進(jìn)展，特別是基音同步疊加(PSOLA)方法的提出(1990)，使基于時(shí)域波形拼接方法合成的語(yǔ)音的音色和自然度大大提高。九十年代初，基于PSOLA技術(shù)的法語(yǔ)、德語(yǔ)、英語(yǔ)、日語(yǔ)等語(yǔ)種的文語(yǔ)轉(zhuǎn)換系統(tǒng)都已經(jīng)研制成功。這些系統(tǒng)的自然度比以前基于LPC方法或共振峰合成器的文語(yǔ)合成系統(tǒng)的自然度要高，并且基于PSOLA方法的合成器結(jié)構(gòu)簡(jiǎn)單易于實(shí)時(shí)實(shí)現(xiàn)，有很大的商用前景。國(guó)內(nèi)的漢語(yǔ)語(yǔ)音合成研究起步較晚些，但從八十年代初就基本上與國(guó)際上研究同步發(fā)展。大致也經(jīng)歷了共振峰合成、LPC合成至應(yīng)用PSOLA技術(shù)的過(guò)程。在國(guó)家863計(jì)劃，國(guó)家自然科學(xué)基金委，國(guó)家攻關(guān)計(jì)劃，中國(guó)科學(xué)院有關(guān)項(xiàng)目等支持下，聯(lián)想佳音(1995);清華大學(xué)的TH_SPEECH
(1993);中國(guó)科技大學(xué)的KDTALK(1995)等系統(tǒng)。這些系統(tǒng)基本上都是采用基于PSOLA方法的時(shí)域波形拼接技術(shù)，其合成漢語(yǔ)普通話(huà)的可懂度、清晰度達(dá)到了很高的水平。然而同國(guó)外其它語(yǔ)種的文語(yǔ)轉(zhuǎn)換系統(tǒng)一樣，這些系統(tǒng)合成的句子及篇章語(yǔ)音機(jī)器味較濃，其自然度還不能達(dá)到用戶(hù)可廣泛接受的程度，從而制約了這項(xiàng)技術(shù)的大規(guī)模進(jìn)入市場(chǎng)。
