文本到语音（tts）技术作为人机交互领域的一项关键技术，其发展经历了从基础的音素拼接到复杂的统计参数合成，再到当前深度学习驱动的端到端神经网络合成的演变。目前主流的 TTS 技术包括以下几种主流模式。
1、基于统计参数的语音合成
隐马尔可夫模型（HMM）：通过学习语音数据建立音素与声学特征统计关系来合成语音，模型简洁、计算量小，但语音自然度欠佳。
深度神经网络（DNN）参数合成：利用 DNN 强大建模能力学习文本与声学特征映射，语音质量较 HMM 有提升，但训练数据多、耗时长且对硬件要求高。
2、波形拼接语音合成
基于大语料库的拼接合成：预先录制大量语音片段建库，依文本挑选拼接，自然度和音质好，但需大存储空间，对新词处理有局限。
单元选择拼接合成：更注重语音单元选择与拼接策略，能更好处理韵律语调，然构建维护语音库需大量人力时间。
3、混合方法
HMM-DNN 混合模型：结合两者优势，先 HMM 分析再 DNN 优化声学参数，平衡质量、自然度与计算成本。
拼接合成与参数合成混合：常见语音单元拼接，罕见单元参数合成，兼具两者长处，扩大系统适应性。
4、端到端神经网络语音合成
Tacotron 系列：从文本直接生成声学特征再转语音波形，含注意力机制，但生成速度慢，处理长文本耗时。
FastSpeech 系列：采用非自回归结构提高合成速度，后续版本不断提升精度与自然度。
VALL-E 和 SPEAR-TTS：VALL-E 可依据少量语音样本合成相似音色语音且跨语言；SPEAR-TTS 提升质量与效率，降低复杂度与成本。
