语音合成是指人工生成人类语音的技术。用于此目的的计算机系统称为语音合成器，可以在软件或硬件产品中实现。文本转语音（TTS）系统将普通语言文本转换为语音；其他系统则将音标转录等符号语言表示转换为语音。相反的过程是语音识别。
合成语音可以通过拼接数据库中存储的录音片段来创建。不同系统的区别在于存储语音单元的大小；存储音素或双音素的系统提供最大的输出范围，但可能缺乏清晰度。对于特定使用领域，存储整个单词或句子可以实现高质量输出。或者，合成器可以包含声道模型和其他人类语音特征，以生成完全“合成”的语音输出。
语音合成器的质量通过其与人类语音的相似度以及清晰可理解性来判断。一个可理解的文本转语音程序允许有视觉障碍或阅读障碍的人在家用电脑上收听书面文字。最早包含语音合成器的计算机操作系统是1974年的Unix，通过Unix speak工具实现。2000年，Microsoft Sam成为默认的文本转语音合成器，用于叙述者辅助功能，该功能随所有Windows 2000操作系统及后续Windows XP系统一同发布。
文本转语音系统的架构
文本转语音系统（或“引擎”）由两部分组成：前端和后端。前端有两个主要任务。首先，它将包含数字和缩写等符号的原始文本转换为拼写出来的单词的等效形式。这个过程通常称为文本规范化、预处理或分词。然后，前端为每个单词分配音标转录，并将文本划分和标记为韵律单元，如短语、从句和句子。为单词分配音标转录的过程称为文本到音素或字素到音素转换。音标转录和韵律信息共同构成前端输出的符号语言表示。
后端，通常称为合成器，然后将符号语言表示转换为声音。在某些系统中，这部分包括目标韵律（音高轮廓、音素时长）的计算，然后将其施加到输出语音上。这种两阶段设计允许模块化开发，其中语言分析可以独立于声学生成进行改进。
历史发展
早在电子信号处理发明之前，一些人就试图建造机器来模拟人类语音。也有关于“铜头”存在的传说，例如涉及教皇西尔维斯特二世（卒于1003年）、阿尔伯图斯·马格努斯（1198–1280）和罗杰·培根（1214–1294）的故事。
1779年，德裔丹麦科学家克里斯蒂安·戈特利布·克拉岑斯坦因在俄罗斯帝国科学与艺术学院宣布的竞赛中获得一等奖，因为他建造了能够产生五个长元音（国际音标符号：[aː]、[eː]、[iː]、[oː]和[uː]）的人类声道模型。随后，匈牙利普雷斯堡的沃尔夫冈·冯·肯佩伦描述了基于风箱操作的“声学机械语音机”，发表于1791年的一篇论文中。该机器添加了舌头和嘴唇的模型，使其能够产生辅音和元音。1837年，查尔斯·惠斯通基于冯·肯佩伦的设计制造了一台“说话机”，1846年，约瑟夫·法贝尔展出了“Euphonia”。1923年，帕吉特复活了惠斯通的设计。
在1930年代，贝尔实验室开发了声码器，它自动将语音分析为基本音调和共振。基于声码器的工作，霍默·达德利开发了一种键盘操作的语音合成器，称为Voder（语音演示器），并在1939年纽约世界博览会上展出。
富兰克林·S·库珀及其在哈斯金斯实验室的同事在1940年代末建造了模式回放器，并于1950年完成。这种硬件设备有多个不同版本；目前仅存一个。该机器将语音声学模式的图像（以频谱图形式）转换回声音。使用该设备，阿尔文·利伯曼及其同事发现了用于感知音段（辅音和元音）的声学线索。
电子和基于计算机的系统
第一个基于计算机的语音合成系统起源于1950年代末。1968年，梅田纪子等人在日本电工技术实验室开发了第一个通用英语文本转语音系统。1961年，物理学家约翰·拉里·凯利二世及其同事路易斯·格斯特曼使用IBM 7090计算机合成语音，这是贝尔实验室历史上最著名的事件之一。凯利的语音录音合成器（声码器）重现了歌曲“Daisy Bell”，并由马克斯·马修斯提供音乐伴奏。巧合的是，阿瑟·C·克拉克正在贝尔实验室默里山设施拜访他的朋友兼同事约翰·皮尔斯。克拉克对演示印象深刻，以至于在他的小说《2001：太空漫游》改编剧本的高潮场景中使用了它，其中HAL 9000计算机在宇航员戴夫·鲍曼将其关闭时唱了同一首歌。尽管纯电子语音合成取得了成功，但机械语音合成器的研究仍在继续。
线性预测编码（LPC），一种语音编码形式，始于1966年名古屋大学的板仓文忠和日本电报电话公司（NTT）的斋藤修三的工作。1970年代，贝尔实验室的比什努·S·阿塔尔和曼弗雷德·R·施罗德进一步发展了LPC技术。LPC后来成为早期语音合成器芯片的基础，例如1978年起用于Speak & Spell玩具的德州仪器LPC语音芯片。
1975年，板仓文忠在NTT开发了线谱对（LSP）方法，用于高压缩语音编码。从1975年到1981年，板仓研究了基于LSP方法的语音分析和合成问题。1980年，他的团队开发了基于LSP的语音合成器芯片。LSP是语音合成和编码的重要技术，在1990年代被几乎所有国际语音编码标准采纳为基本组件，促进了移动信道和互联网上数字语音通信的增强。
1975年，MUSA发布，是最早的语音合成系统之一。它由一台独立计算机硬件和专门软件组成，能够阅读意大利语。1978年发布的第二版还能以“无伴奏合唱”风格演唱意大利语。
1980年代和1990年代的主导系统是DECtalk系统，主要基于麻省理工学院丹尼斯·克拉特的工作，以及贝尔实验室系统；后者是最早的多语言、语言无关系统之一，广泛使用自然语言处理技术。
现代方法与应用
随着机器学习和深度学习的兴起，语音合成已转向基于神经的方法。神经网络可以直接建模从文本到语音的复杂映射，通常产生比早期拼接或共振峰系统更自然的输出。这些现代系统通常利用变换器架构，该架构也是大型语言模型的基础，以捕捉语言和韵律中的长距离依赖关系。
当代文本转语音引擎广泛部署在消费设备、导航系统和虚拟助手中。苹果、三星和谷歌DeepMind等公司已将先进合成技术集成到其产品中。该技术还支持操作系统中的辅助功能，为视障用户启用屏幕阅读器。进入2020年代，研究继续专注于改进情感表达、语音克隆和交互应用的实时合成。
评估与挑战
评估语音合成器涉及主观听感测试和客观指标。主观测试衡量自然度和可理解性，通常使用平均意见分数。客观测量可能比较声学特征或使用自动语音识别来评估清晰度。挑战仍然存在于处理多样化的语言、方言和说话风格，以及降低设备端部署的计算成本。伦理问题也随着语音欺骗和克隆语音滥用的可能性而出现，促使生成式AI社区持续讨论。