文本到語音（TTS）技術作為人機交互領域的一項關鍵技術，其發展經歷了從基礎的音素拼接到復雜的統計參數合成，再到當前深度學習驅動的端到端神經網絡合成的演變。目前主流的 TTS 技術包括以下幾種主流模式。
1、基于統計參數的語音合成
隱馬爾可夫模型（HMM）：通過學習語音數據建立音素與聲學特征統計關系來合成語音，模型簡潔、計算量小，但語音自然度欠佳。
深度神經網絡（DNN）參數合成：利用 DNN 強大建模能力學習文本與聲學特征映射，語音質量較 HMM 有提升，但訓練數據多、耗時長且對硬件要求高。
2、波形拼接語音合成
基于大語料庫的拼接合成：預先錄制大量語音片段建庫，依文本挑選拼接，自然度和音質好，但需大存儲空間，對新詞處理有局限。
單元選擇拼接合成：更注重語音單元選擇與拼接策略，能更好處理韻律語調，然構建維護語音庫需大量人力時間。
3、混合方法
HMM-DNN 混合模型：結合兩者優勢，先 HMM 分析再 DNN 優化聲學參數，平衡質量、自然度與計算成本。
拼接合成與參數合成混合：常見語音單元拼接，罕見單元參數合成，兼具兩者長處，擴大系統適應性。
4、端到端神經網絡語音合成
Tacotron 系列：從文本直接生成聲學特征再轉語音波形，含注意力機制，但生成速度慢，處理長文本耗時。
FastSpeech 系列：采用非自回歸結構提高合成速度，后續版本不斷提升精度與自然度。
VALL-E 和 SPEAR-TTS：VALL-E 可依據少量語音樣本合成相似音色語音且跨語言；SPEAR-TTS 提升質量與效率，降低復雜度與成本。
