TTS（Text-To-Speech，文本转语音）是一种将书面文字自动转换为语音输出的语音合成技术。其核心能力包括：对文本进行语言分析与处理、通过语音合成引擎生成自然语音波形，并支持多语言、多音色输出。TTS广泛应用于无障碍辅助、智能助手、导航播报、教育软件等领域，是人机交互的重要基础技术之一。
TTS模型在处理较短文本时能更好地维持韵律一致性，长文本输入容易导致后段语音质量下降
Pixelle-Video的流水线整合了大语言模型（LLM）、扩散模型、TTS语音合成和语音识别（ASR）等多种AI技术
传统语音AI系统采用级联架构，将语音处理拆分为ASR、NLU、对话管理和TTS等独立模块，每个模块之间存在信息损失和延迟累积
当前主流的神经网络TTS方案包括Tacotron系列、FastSpeech系列以及VITS、Bark等端到端模型
OpenAI的TTS API提供了alloy、echo、fable、onyx、nova、shimmer六种预设音色，支持实时流式输出
本地TTS模型实时渲染克隆声线时会导致电脑卡死，因为声音克隆推理需要额外占用数百MB到数GB的显存
解决实时渲染卡死问题的方案是放弃实时生成，改为预生成固定语音文件，运行时直接调用
传统语音交互的三段式架构（ASR+LLM+TTS）总延迟通常在1-3秒
Google AI Studio提供Gemini 3.1 Flash TTS Preview文本转语音模型，支持多角色对话、丰富音色库和情感标注功能
Google 推出了 Gemini Flash TTS（低延迟优化）和 Gemini Pro TTS（质量优化）两个语音合成模型
40 more timeline events