语音合成 (TTS)
Parent: ai_keywords
语音合成（Text-to-Speech, TTS）
【核心定义】
语音合成（TTS）是人工智能的一项核心任务，旨在将任意输入文本自动转换为连贯、自然的语音信号。其本质是模拟人类的言语产生过程：从文本理解（语言处理）到发音规划（韵律与音系编码），最终通过声带—声道系统的物理振动产生可听声波。现代 TTS 系统以深度学习驱动，追求接近甚至超越真人的自然度、情感表现力和实时性。
【关键技术点】
- 前端文本分析：负责分词、词性标注、韵律边界预测及音素转换（如G2P，grapheme-to-phoneme）。对于中文还需处理多音字、连读变调等复杂语言现象，是自然度的重要前置保障。
- 端到端声学模型：以Transformer/扩散模型为基础，直接学习文本特征到声学特征（如梅尔频谱）的映射。代表方法有Tacotron系列（注意力机制·序列到序列）与FastSpeech（非自回归，并行可控）。
- 神经声码器（Vocoder）：将声学特征转换为波形样本。HiFi-GAN、WaveNet等模型在音质与计算效率间取得平衡，实现了高保真度、低延迟的波形生成。
- 说话人特征控制：基于音色嵌入（Speaker Embedding）或对抗训练，实现多说话人、情感/风格迁移。例如VITS通过变分推理联合建模内容、音色与泛化性，支持零样本克隆。
【医学/神经科学应用场景】
背景：脑卒中后非流畅性失语症（Broca失语）——以首都医科大学宣武医院神经病学团队临床实践为例
此类患者虽保留语言理解能力，但因左侧额下回损伤导致言语表达严重受限——发音启动困难、语量少、电报式短语。传统 AAC（辅助替代沟通）设备效率低、语音机械，缺乏患者原有音色。
解决方案：利用个性化音色 TTS 结合眼动/脑电脑机接口（EEG-BCI）与视线扫描键盘。
- 患者通过注视屏幕字符拼词，系统实时将文本输入至预训练的多说话人 TTS 模型（基于其病前录音样本微调说话人嵌入）；
- 模型推理时，不仅还原患者个人的基频、共振峰分布，还在韵律层面对停顿、重音进行康复性补偿（加长元音、提高音高动态范围），帮助患者以接近原本嗓音的节奏输出；
- 临床评估显示：相比线性合成语音，个性化 TTS 显著提升患者沟通效率（句子表达时间缩短32%）并降低家人的听觉疲劳感，在神经康复中兼顾了言语替代与情绪联结的双重价值。
该模式正进一步拓展至帕金森病构音障碍（低音量/monopitch）的实时语音增强，以及癫痫发作期言语监测中的无创发音辅助。
