什麼是文字轉語音（TTS）？

荷蘭版 ChatGPT 有時帶著德國口音。如果是故意的，那有點壞；如果不是，那就很有趣。

不論如何，可以肯定的是，AI 語音助理已經遠遠超越了微軟的 Sam。事實上，從我幾年前學習語音技術以來，這領域已經有了很大的進步。

我現在要和你分享我們目前的發展狀況。

自從 1968 年《2001 太空漫遊》中HAL 機器人登場以來，我們就一直對合成語音充滿想像。

語音技術早已不再是高大上的未來科技，而是成為標準配備：89% 的消費者會根據裝置是否支援語音功能來決定購買。

換句話說，「不只要幫助我，還要跟我說話」。

本文將介紹文字轉語音技術——也就是將文字轉換成語音的過程。我會說明其運作原理，以及這項技術在各產業的應用方式。

什麼是文字轉語音？

TTS 是一種將文字轉換為合成語音的技術。早期的系統是透過機械模擬人類聲道或拼接錄音片段來實現。現在，TTS 系統則運用深度神經網路，產生動態且類似真人的語音。

根據不同應用場景，TTS 有多種模型，例如即時生成對話語音、可控表達方式，以及模仿特定聲音的能力。

文字轉語音如何運作？

TTS 主要分為三個步驟：首先，處理輸入文字，將符號、縮寫和簡寫完整拼寫出來。接著，經過神經網路轉換為聲學表示（如頻譜圖）。最後，再將這些表示轉換成語音。

如前所述，研究人員嘗試過多種 TTS 方法。目前主流（而且我認為還會持續一段時間）的方式，是採用神經網路為基礎的語音合成。

要建模影響語音表達的語言層面——如發音、語速、語調——是一項複雜的任務。

即使神經網路有如黑盒般的強大能力，TTS 系統仍需多個組件協同運作，才能模擬語音。

很難定義唯一的處理流程；新技術層出不窮，舊方法隨時可能被取代。

大多數 TTS 系統都包含幾個通用的組件，只是形式略有不同。

1. 文字處理

文字處理階段，TTS 系統會判斷要發音的詞彙。縮寫、日期與貨幣符號會被完整拼寫，標點符號則會被移除。

這並不總是簡單的。例如「Dr.」是指醫生還是路？「CAD」是加拿大元還是電腦輔助設計？

文字處理階段可以運用自然語言處理（NLP）來根據上下文預測正確的解釋。它會評估像「Dr.」這類模糊詞彙在句子中的角色，例如在「Dr. Perron 建議不要這麼做」這句話裡，NLP 會將 dr. 判斷為 醫生。

2. 語言分析

文字處理完成後，模型會從「我要說什麼？」轉為「我要怎麼說？」

語言分析負責判斷句子的語調、音高與長度，也就是：

• 每個音、音節或單字應該持續多久？
• 語調應該上揚還是下降？
• 哪個詞需要強調？
• 音量變化如何反映情感？

為什麼語調很重要

說個故事：我曾短暫協助一個 TTS 團隊，深刻體會到語調對句子可懂度的影響有多大。讓我舉個例子。

以下是「Whoa, were you expecting that?」這句話的三種唸法：

第一種很棒。「Whoa」後的停頓，以及「expecting」第二音節（ex-PEC-ting）的上揚語調，滿分。

第二種僅僅靠最後一個字（「...expecting THAT」）的上揚語調勉強表現出疑問語氣。除此之外，其他音節長度幾乎一樣，音量和音高也沒什麼變化。我會建議我的客戶「重新設計」。

最後一種很有趣：「whoah」的表現很棒——音量大、拉長且語調下降。疑問語調則分布在「were you」這幾個字上，音高幾乎沒什麼變化。

許多中等水準的 TTS 系統就停在這裡：語調合理但平淡。問題是，這並不是大多數情境下人們說話的方式。

舊系統會用不同的組件來預測這些特徵：一個模型計算每個音持續多久，另一個則規劃音高的變化。

現在，這些界線已經模糊了。

神經網路會自動從大量訓練資料中學習這些細微差異。

3. 聲學建模

聲學建模階段，標準化後的文字（以及預測的語言特徵）會輸入神經網路，產生中間表示。

頻譜圖與語音表示

這個中間表示通常是頻譜圖——也就是音訊訊號的時間與頻率分布——但這種做法也在逐漸改變。

以下是 TTS 模型根據我們輸入的「Whoa, were you expecting that?」產生的表示：

‍

這張二維圖像實際上有 146 個垂直切片，每個切片包含 80 個頻率。亮的地方代表頻率強度高，暗的地方則較弱。

這是第 10 個時間步（或欄位）旋轉 90 度後的樣子：

你可以看到各個頻率及其能量分布。

乍看之下，頻譜圖好像沒什麼，但其實可以觀察到明顯的語言現象：

• 那些明顯的波浪線條是母音或類似母音的音，例如 /w/、/r/ 和 /l/。
• 黑色區塊代表靜音，可能是標點符號造成的停頓。
• 高頻能量聚集則代表雜音，例如 /s/、/sh/ 和 /f/ 的聲音。

事實上，如果仔細觀察，還能在頻譜圖上對應出每個單字。

各種形式的頻譜圖在語音技術中被廣泛使用，因為它們是連接原始語音與文字的絕佳中介。

同一句話由不同說話者錄製，波形可能差異很大，但頻譜圖卻很相似。

4. 音訊合成（聲碼器）

合成階段就是將頻譜圖轉換成音訊。

進行這種轉換的技術稱為聲碼器。它們是經過訓練的神經網路模型，能根據頻譜圖重建語音訊號。

將語音表現和語音訊號建模分成不同模組的原因在於控制：第一部分專注於精確模擬單字的發音與表達，接下來則是關於語音風格與真實感。

透過頻譜圖，我們可以分辨 /s/ 和 /sh/，或 /ee/（如heat中的發音）與 /ih/（如hit中的發音），但語音的風格與個性則來自聲碼器產生的細節。

這裡有一個不同聲學模型與聲碼器組合的比較。它說明了研究人員如何混合搭配聲學模型與聲碼器，並優化整體效果。

但同樣地，和其他元件一樣，我們也看到頻譜圖逐漸被整合型模型取代。

TTS 有哪些應用場景？

能夠動態產生語音，是各行各業不可或缺的工具。

這不僅僅是為了打造高級機器人助手——它幫助我們提升效率、可及性與安全性。

聊天機器人與語音助理

你就知道我一定會提到這個 😉

從理解你的指令、更新購物清單，到安排行程，AI 助理中合成語音的精密與重要性，往往讓人容易忽略。

一個好的助理（也就是好用的助理）必須擁有合適的聲音：既要親切，能引導使用者下指令，又要足夠擬人，讓人相信它能完成任務。

大量研究與工程投入在如何在短短一瞬間贏得使用者認同，決定AI 助理聽起來是否「正確」。

從商業角度來看：你的聊天機器人代表你的品牌。TTS 技術的進步，意味著更好的聲音品牌選擇與更有效的客服體驗。

導航與運輸

當你的 GPS 在開車時把路名念得亂七八糟，你就會體會到優質 TTS 的重要性。

GPS 導航就是 TTS 發揮作用的絕佳例子：當我們的眼睛被佔用時，語音資訊不僅是便利，更關乎安全。

這在機場和大眾運輸系統同樣適用。對於像火車站、機場航廈這種設計複雜、流量大的系統，合成語音至關重要。

沒有 TTS，我們只能依賴現場廣播，這些廣播往往匆忙且難以聽清，或是將地名、航廈、時間等錄音片段拼湊起來，聽起來實在不舒服。

研究顯示，自然度與可理解性密切相關，高品質 TTS 對於健全的運輸產業來說是必需品。

娛樂與媒體

隨著合成語音技術的進步，旁白與多語媒體的可及性大幅提升。

語音技術並不是取代表演者，而是協助提升戲劇表現。

Val Kilmer 因喉癌失去聲音，但在《捍衛戰士：獨行俠》（2022）中，靠著 AI用原本的聲音帶來感人的演出。

TTS 也讓遊戲開發者能為非玩家角色（NPC）賦予多樣且富表情的語音，這在過去幾乎不可能實現。

醫療保健

TTS 的進步也讓各方面的無障礙體驗獲得提升。

長者照護科技同時解決陪伴與協助的問題。這項技術仰賴 TTS 的高度客製化：溫柔的語調、可調整的語速與細緻的語音抑揚，都是提供有效且有尊嚴協助的關鍵。

TTS 也被用來提升年輕族群的無障礙體驗。

Acapela Group等公司開發了協助語言表達障礙兒童的技術。合成語音不僅增強他們的表達能力與自主性，還能保留他們的聲音特徵。

教育與共融學習

我們在語言學習 App 裡常見合成語音。但這只是冰山一角。

舉例來說，自主學習的一大門檻是閱讀能力。對兒童、視障者或有特定學習障礙的人來說，這並不容易。這也讓原本就很辛苦的老師在擁擠的教室裡負擔更重。

加州某個學區已導入 TTS，為特殊需求學生打造更共融的學習環境。

和長者照護一樣，教育科技仰賴溫暖且清晰的語音傳遞內容。可調整的參數讓老師能將這些技術融入課堂，幫助學生更有參與感。

選擇最適合你的 TTS 解決方案

無論你身處哪個產業，可以肯定的是語音 AI 都很重要。而你選用的 TTS，字面上就是你的企業發聲，因此必須可靠且可自訂。

Botpress 提供強大且高度可自訂的機器人建構平台，整合多種通訊管道並支援多元部署。你的語音助理不僅令人驚豔，更能真正發揮效用。

立即開始打造。免費使用。

常見問題

有哪些語言或方言是 TTS 系統較難支援的？

是的，TTS 系統在支援某些語言和方言時會遇到困難，特別是缺乏大量語音與文字資料的低資源語言。像是區域方言、聲調語言及原住民族語，往往需要細緻的發音規則與語調，而標準模型未必有相關訓練。即使是主流語言，方言差異也可能導致發音錯誤或語音不自然。

TTS 語音在音調、語速和情感方面的自訂程度有多高？

現今 TTS 聲音在音高、語速與情感表現上高度可自訂，這要歸功於現代神經網路架構，能細緻控制語調與風格。許多商用 TTS 系統允許用戶調整語速、語調、音量及表現語氣，適用於不同情境，例如平靜旁白、興奮公告或富有同理心的對話。不過，各家供應商的控制程度不同——有些僅提供基本的語速與音高調整，有些則能細緻調整情感表現與音色。

TTS 系統處理的語音資料安全性如何？

TTS 系統處理語音資料的安全性很大程度取決於供應商與部署方式。雲端 TTS 服務通常會對資料傳輸與儲存加密，但若將敏感資訊傳送到外部伺服器，若無妥善協議與合規措施（如 GDPR 或 HIPAA），仍有隱私風險。自架或邊緣部署則因音訊與文字不會離開組織內部，能大幅降低第三方風險。

企業導入高品質 TTS 解決方案的成本高嗎？

企業導入高品質 TTS 解決方案的成本差異很大：雲端 API 中等用量每月可能只需數百美元，但若要自訂語音或企業自架部署，則可能需數萬甚至數十萬美元。成本通常包括授權費、按字數或分鐘計費、整合與開發費用，以及若需自訂語音時的配音費。小型企業多半選擇訂閱制服務，大型企業則可能為品牌一致性與隱私投入專屬方案。

打造高品質 TTS 聲音需要多少訓練資料？

打造高品質 TTS 聲音通常需要數小時到數十小時的乾淨、專業錄製語音，最好由同一位講者、在一致的錄音環境下完成。像 Tacotron 或 FastSpeech 這類現代神經 TTS 系統，僅需 2–5 小時資料即可達到不錯品質，但若要達到高度自然、富表現力且穩定的聲音，通常需要 10–20 小時以上。若要進行聲音克隆或製作極具表現力的語音，則需要更大且多樣化、涵蓋各種風格、情緒與情境的資料集。