TTS
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。
核心事实
时间轴 (近 90 天)
决定语音体验好坏的关键是如何组织被朗读的文本，而非TTS引擎质量
传统TTS方案需要先生成完整音频文件再播放，延迟通常在数秒到十几秒之间
TTS（Text-to-Speech）语音合成系统每次调用时，模型的随机采样可能导致音色的微妙漂移，表现为语速、语调、共鸣特征等细节不一致
本地化、离线化的TTS方案正成为一个明确的技术趋势
三明治架构的核心思路是把大语言推理模型（LLM）夹在中间，前面加STT模型负责语音识别，后面加TTS模型负责语音播报
该项目通过前置STT和后置TTS的精细优化，实现了大约0.3秒左右的响应延迟
2016年后随着WaveNet、Tacotron等神经网络模型的出现，TTS质量发生质的飞跃，自然度接近真人朗读
云端TTS服务将语音合成推理放在服务器端，需消耗GPU算力（A100/H100推理GPU租赁成本约每小时1-3美元），因此必须按量收费；桌面端TTS在本地执行推理，部署后无需持续服务器开支
云端TTS服务将推理计算放在服务器端，桌面端TTS将模型下载到本地执行推理，利用用户自有算力从而无需持续服务器开支
本地TTS模型在参数规模和生成质量上通常需要做出妥协，与云端超大规模模型相比在情感表达、长文本一致性和特殊语态处理上存在可感知差距
还有 16 条时间轴事件
全部知识事实 (20)
传统语音AI普遍采用级联式架构，先用ASR将语音转文字，再交给语言模型处理，最后用TTS合成输出
75%已验证新一代语音交互转向端到端的多模态模型架构，直接在语音信号层面理解和生成，压缩延迟并保留副语言信息
75%已验证800毫秒是语音代理端到端延迟的业界公认阈值，人类面对面对话回应延迟通常在200-500毫秒之间
65%已验证一次完整的语音AI交互涉及STT、LLM推理、TTS三个串行处理阶段
65%已验证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
65%待验证AI-powered phone answering involves ASR to convert speech to text, an LLM to understand intent and generate responses, and TTS to convert replies into voice output
90%待验证传统语音交互的三段式架构（ASR+LLM+TTS）总延迟通常在1-3秒
65%待验证End-to-end latency in voice AI typically involves three stages: speech-to-text (STT) recognition, large language model inference, and text-to-speech (TTS) synthesis
60%待验证决定语音体验好坏的关键是如何组织被朗读的文本，而非TTS引擎质量
50%待验证传统TTS方案需要先生成完整音频文件再播放，延迟通常在数秒到十几秒之间
50%待验证TTS（Text-to-Speech）语音合成系统每次调用时，模型的随机采样可能导致音色的微妙漂移，表现为语速、语调、共鸣特征等细节不一致
50%待验证本地化、离线化的TTS方案正成为一个明确的技术趋势
50%待验证该项目通过前置STT和后置TTS的精细优化，实现了大约0.3秒左右的响应延迟
50%待验证三明治架构的核心思路是把大语言推理模型（LLM）夹在中间，前面加STT模型负责语音识别，后面加TTS模型负责语音播报
50%待验证2016年后随着WaveNet、Tacotron等神经网络模型的出现，TTS质量发生质的飞跃，自然度接近真人朗读
50%待验证云端TTS服务将语音合成推理放在服务器端，需消耗GPU算力（A100/H100推理GPU租赁成本约每小时1-3美元），因此必须按量收费；桌面端TTS在本地执行推理，部署后无需持续服务器开支
50%待验证本地TTS模型在参数规模和生成质量上通常需要做出妥协，与云端超大规模模型相比在情感表达、长文本一致性和特殊语态处理上存在可感知差距
50%待验证云端TTS服务将推理计算放在服务器端，桌面端TTS将模型下载到本地执行推理，利用用户自有算力从而无需持续服务器开支
50%待验证云端TTS服务将推理计算放在服务器端，而桌面端TTS将模型下载到本地执行推理，利用用户自有硬件算力
50%待验证桌面端TTS将模型下载到本地执行推理，利用用户自有CPU/GPU算力，部署完成后无需持续服务器开支，这是Vois能提供无限生成的技术基础
50%