定义
文本转语音（TTS，Text-to-Speech），又称语音合成（Speech Synthesis），是把书面文本转换为可听语音输出的技术。
工作方式
传统流水线先做文本前端处理（数字、缩写、注音），再由声学模型生成语音特征，最后经声码器还原波形；新一代神经 TTS 多为端到端结构，还能用几十秒样本克隆音色。
使用场景
有声书与播客配音、屏幕朗读等无障碍功能、语音助手与客服机器人、游戏和视频的批量配音都是 TTS 的典型落地。
易混概念
与自动语音识别（ASR）互为逆过程：TTS 由文本生成语音，ASR 由语音得到文本。