文字轉語音（TTS）是怎麼運作的？什麼是神經網路 TTS？

TTS 系統的三個階段

1. 文字正規化。系統把文字改寫成可以唸出來的字詞。「Dr. Lee paid $25 on 3/4」必須變成類似「Doctor Lee paid twenty-five dollars on March fourth」的樣子（或依地區唸成「the third of April」）。很多念錯的狀況其實出在這一步，而不是聲音本身。
2. 語言分析。字詞被轉成音素，也就是一種語言的發音單位，系統再預測重音、斷句和語調。拼法相同但唸法不同的字，例如現在式與過去式的「read」，或有多種讀音的漢字，必須靠上下文才能判斷。
3. 波形生成。聲音及其時間點被轉成音訊取樣。較早的系統把錄好的片段拼接起來（拼接式合成），或使用共振峰模型，聽起來很機械。神經網路系統則用網路來預測音訊。

經典的神經網路設計 Tacotron 2 清楚呈現了現代的分工：一個網路把文字對應到梅爾頻譜圖（語音的時間—頻率圖像），第二個網路，也就是聲碼器（vocoder），再把這張圖轉成波形。在作者的聽力測試中，它的得分接近專業錄音。較新的系統常把這些階段合併，或用語言模型風格的網路生成壓縮的音訊 token，因此只需一小段樣本就能複製說話者的聲音。

神經網路 TTS 與瀏覽器的系統語音

網頁不需要自己的模型，就能透過 Web Speech API 發聲。speechSynthesis 物件會用平台提供的其中一種聲音，朗讀一個 SpeechSynthesisUtterance。

每個語音都會回報 localService 旗標。規格說明，本機合成器為 true，遠端服務則為 false；遠端語音可能需要網路，也可能增加延遲。

const u = new SpeechSynthesisUtterance("Your order has shipped.");
u.lang = "en-GB";
u.rate = 0.9;   // 1 is normal; spec allows 0.1 to 10
u.pitch = 1.0;  // 0 to 2, 1 is the voice default
u.volume = 1.0; // 0 to 1
const voices = speechSynthesis.getVoices();
u.voice = voices.find(v => v.lang === "en-GB") || null;
speechSynthesis.speak(u);

語音常常在頁面啟動之後才載入，所以 getVoices() 一開始可能回傳空清單；請監聽 voiceschanged 事件。例如 cv.cm 的文字轉語音工具，用的就是這些內建語音，並提供語速和音調控制。它適合快速試聽草稿，而不是神經網路語音生成器，且語音清單取決於你的裝置。

SSML：控制停頓與發音

語音合成標記語言（SSML）是 W3C 標準，是一種告訴 TTS 引擎如何朗讀文字的 XML。大多數雲端 TTS 服務都接受它。Web Speech 規格允許在發話內容中使用 SSML，但不支援某些標籤的引擎必須移除標籤、只讀剩下的文字，因此瀏覽器的支援並不一致。

<speak>
  Your code is <say-as interpret-as="characters">A7K</say-as>.
  <break time="500ms"/>
  Please call <sub alias="World Health Organization">WHO</sub>
  before <prosody rate="90%" pitch="+2st">Friday at noon</prosody>.
  The word is <phoneme alphabet="ipa" ph="təˈmɑːtoʊ">tomato</phoneme>,
  and it is <emphasis level="strong">not</emphasis> optional.
</speak>

如果服務忽略 SSML，你仍然可以用純文字來引導：用逗號和句號製造停頓、把數字寫成文字，以及用近似音拼寫難唸的名字。

寫出唸起來好聽的文字

• 使用短句。長句會讓聲音找不到自然的換氣點。
• 在重要時，把數字寫成該唸的方式：「兩千零二十六」或「二〇二六」。
• 展開聽眾需要聽到的縮寫與單位：「km/h」可能被逐字母唸出來。
• 設定正確的語言與地區。用 en-US 語音唸西班牙語人名，或用 zh-CN 語音唸英文，都會用錯發音系統。
• 發布前把完整成果聽一遍，檢查人名、數字和有兩種讀音的字。

聲音複製：同意與法律

現代模型只要一小段錄音，就能模仿一個人的聲音。這對於替自己的影片配音，或把聲音還給失去聲音的人很有用，但也被用於詐騙，例如模仿親人或公司董事的來電。請把任何聲音都視為屬於說話者本人的個人資料。

信譽良好的聲音複製服務，會在建立聲音之前要求說話者錄一段同意聲明。如果某個工具讓你不經任何檢查，就能從任何片段複製任何人的聲音，請不要把它用在要公開發布的內容上。