模型实际在预测什么
把一句话念出来，需要的信息远多于这句话本身包含的。重音落在哪、每个元音多长、句尾音高是升还是降、说话人在哪儿换气 —— 这些都没有写在字面上，而 TTS 模型真正的活就是把它们补出来。
标准架构把这件活分成两半。声学阶段接收规范化后的文本（通常先转成音素），预测出一张频谱：一张时间-频率的图，里面编码了音高曲线、时长和音色，但它还不是声音。声码器阶段再从这张图合成波形。这个划分在实践中有用，因为两个阶段的失效方式完全不同：声学失效听起来是重音不对、节奏怪、念得平；声码器失效听起来是嗡鸣、金属音、辅音糊成一片。
说话人身份是作为另一路条件信号进来的，这就是为什么一个模型能装很多音色，也是为什么换音色不需要重写文本。
真正有用的那些参数
多数系统会暴露下面这些里的一部分，它们的分量并不相等。
- 音色选择。 单一影响最大的因素。每个音色自带音高范围、口音和默认能量，没有任何参数能让一个平静的旁白音色可信地喊起来。
- 速度。 通常是干净的倍率。小幅改动读起来是自然，大幅改动读起来是磁带变速。
- 情绪 / 风格。 有提供的话是个强杠杆，但它是全局的：它给整次请求定一个情绪，而不是句子里的某一拍。
- 稳定度 / 波动。 稳定度高，结果可复现但更平；稳定度低，表现力更强，但拿到一条奇怪录音的风险也更大。
- 语言 / 口音提示。 中英混排的稿子里很重要，否则模型会把一种语言的音系套到另一种语言的词上。
最被低估的控制项是稿子本身。标点就是时间指令：逗号是一个短拍，句号是更长的一拍，段落间隔更长。把一句话改短，对念法的改变比拨速度滑块更可靠。
怎么写「适合被念出来」的文本
文本规范化站在整条流水线的最前面，也是大部分丢人错误的发源地。它必须判断 Dr. 是 doctor 还是 drive、1420 是「十四二十」还是「一千四百二十」、read 是现在时还是过去时。它靠上下文猜，而且经常猜错。
几条实用规则：在意的地方就写出来，比如把 1420 写成 fourteen twenty；生僻名字按读音改写；长句在真人会换气的地方断开；避免括号，多数系统要么忽略它、要么把它读成一次磕巴。缩写也要检查，因为模型可能逐字母拼读，也可能试着当一个词读，而你没法预测是哪种。
任何长于一段的内容，都逐句合成再用刻意设计的静音拼起来。这多出一步工，换来三样东西：语调一致、能只重摇某一条坏掉的句子而不用重生成整段、以及对停顿长度的精确控制 —— 而后者才是让旁白听起来像「剪过」而不是「背出来」的关键。
它和其他几个音频任务的关系
从文字合成语音只是四个相关任务之一，选对了能省掉大量试错。文字转语音从稿子和一个选定音色出发；声音克隆从稿子加某个特定人的参考音频出发；变声器从一段已经录好的表演出发、只替换音色，当「演」比「词」更重要时它才是对的工具；口型同步从已完成的音频加一段视频出发，把嘴对上。
流程怎么选，取决于你手里已经有什么。表演已经存在，就保住它去做转换；只有文字，就去合成，并且预期你的大部分精力会花在标点和分句上，而不是参数上。