導航軟體報路、語音助理回話、短影片裡的旁白、客服電話那句「您好，很高興為您服務」——你每天聽到的聲音，有很大一部分已經不是人錄的。這些聲音背後的技術，就叫 TTS（Text-to-Speech，文字轉語音）。
我第一次真正意識到這件事，是某天回聽自己三年前剪的影片：當時花兩小時錄的旁白，現在用 AI 配只要三十秒，聽起來還更乾淨。技術變化的速度，快到很多人對 TTS 的印象還停留在「機器人講話很假」的年代。
這篇用白話拆解它的運作方式，不講數學。看完你會知道 AI 的聲音是怎麼「長」出來的、聲音從哪裡學來的，還有它現在的極限在哪。
先說結論：TTS 在做的事
把一段文字丟進去，出來一段像人講話的聲音。
聽起來簡單，但你回想一下自己講話的過程：看到字、腦中組織發音、喉嚨出聲、語氣隨情緒變化，講到不懂的地方還會自動放慢。這整條鏈路，機器都要模仿出來，每一步都有難題。
所以與其說 TTS 是「把字唸出來」，更準確的說法是：它在模仿「一個人怎麼決定要怎麼講」。
聲音是怎麼被合成的
現代 TTS 主要分三步。
第一步，文字分析。 機器先「讀」你的文字。這裡處理的事情比想像中多——分詞、多音字判斷（「銀行」跟「走路」的行）、數字唸法（2026 是「二零二六」還是「兩千零二十六」）、縮寫展開（APP 要唸「A-P-P」還是「欸噗噗」），還有標點帶來的停頓長短。
這步出錯，後面全錯。你稿子裡寫「3.5萬」，引擎唸成「三點五萬」還是「三五萬」，就是這一步決定的。
第二步，聲學模型。 把文字變成一串聲音特徵。音調高低、語速快慢、重音落在哪個字、句子結尾要不要上揚，都是在這一步決定的。你可以把它想成一位「看不見的配音員」在讀你的劇本：讀到問句會揚起來，讀到列舉會加快，讀到「但是」會停半拍。
第三步，聲碼器（Vocoder）。 把特徵變成真正的音訊波形。這步直接決定聲音聽起來乾不乾淨——有些工具的聲音「有水聲、有雜訊」，多半是聲碼器這關偷工了。取樣率也是這步定案：同樣的模型，44.1kHz 的輸出會比 22kHz 更亮、更接近人耳習慣的密度。
為什麼以前的機器人聲音那麼假
你可能還記得早期導航或客服語音那種一字一頓的腔調。那是因為老式 TTS 是「拼貼」出來的：先錄一個人講幾千個音節，再照文字把音節一個個接起來。
問題是，人講話的音節不是固定的積木。「一」在句首會比較響、在句尾會比較輕、驚訝的時候還會拉長。拼接式做法不管這些，每個音節只有一兩個版本可用，接縫處的音調對不上，就會有明顯的機器感。老系統最有名的現象就是「句尾突然掉音」——因為音節資料庫裡，句尾的版本太少了。
神經網路 TTS 完全換了一個做法：模型直接學「這段文字對應這段波形」的關係，聽起來是連續生成，不是拼貼。所以現在的聲音才有自然的連音、語氣起伏，甚至能笑、能嘆氣。
AI 的聲音是「學」來的
很多人問：AI 的聲音到底從哪來？答案是從真人錄音學的。
訓練一個商用級的聲音，通常需要幾十小時的乾淨錄音——安靜的房間、好的麥克風、幾萬句涵蓋各種語氣的句子。模型從這些資料裡學到「這個人的聲音長什麼樣」，之後你丟任何文字進去，它都用這個人的方式講出來。
所以「聲音授權」是這個產業很嚴肅的議題：聲音來自真人，商用就必須有真人同意。這也是為什麼正規平台會標明聲音來源，而不是一句「AI 生成」帶過。
至於音色複製（Voice Cloning），門檻已經降到幾十秒的樣本就夠。方便歸方便，這項技術的規則更嚴——沒有本人同意的音色複製，在不少地方已經直接踩到法律線，不只是道德問題。
它現在能做到什麼
一句話的稿子，幾秒內變成自然語音；同一段文字套上不同角色——有活力的廣告腔、溫和的說書腔，都行；中英夾雜的稿子也不需要分兩段錄了，一次合成就能處理。
速度是最大的變化。我現在做一支三分鐘的旁白，含修稿大概二十分鐘收工。三年前同樣的流程，光是錄音加去噪就要一個多小時。對每個禮拜要產出的創作者來說，這是工作方式的改變，不只是省時間。
還做不到什麼
說真的，長文播客級的穩定度還是難關：三千字唸下來，中間總有幾句節奏跑掉，你得回去重配那幾句。情緒的細膩度也是——你叫 AI「悲傷地唸」，它給的通常是「稍慢加稍低」的公式化處理，跟真人演員的層次還有距離。
即時互動也是。現在的 TTS 是「你給稿、我出聲」，要它像真人一樣即時回話、還要帶情緒，延遲和自然度都還過不了關。語音助理的回話聽起來順，正是因為背後的句子是固定的。
還有一個更新速度的問題。網路用語、新產品名稱、年輕人的講法，模型訓練完成那一刻就注定落後——稿子裡出現太新的詞，它常常用拼字母的方式硬唸，聽起來就像第一次看到這個詞的外國人。我印象最深的一次，是某支新出的手機型號被唸成一串英文字母，整段影片的專業感當場歸零。
另外一個常被忽略的坑：極端長句。超過六十字、中間沒有標點的句子，任何引擎都容易節奏崩壞。這不是模型的問題，是稿子的問題——真人唸也會喘不過去。
所以實用的做法是：把 TTS 當成「會講話的錄音室」，而不是「替身演員」。稿子的節奏你自己掌控，機器負責把聲音乾淨俐落地唸出來。
怎麼快速判斷一個 TTS 好不好
分享我自己的三步檢查法。
一，用你自己的稿子測，不要用官網範例——範例都是設計過的，一定好聽。二，故意放一句帶數字和英文的話進去，聽它怎麼處理「2026 年 Q3 成長了 15%」這種句子。三，聽整段，不要只聽前十秒——十秒內好聽的很多，撐得過兩分鐘的才是真功夫。
再送一個進階玩法：把速度調到 1.5 倍再聽一次。品質差的引擎，加速之後機器味會全部現形——這招特別適合拆穿「修得很漂亮」的範例音檔。
想試試看
到 Soundwaver 的免費 Demo 輸入一段話，幾秒就有結果。建議第一次就選你最熟的領域寫稿——你越熟，越容易聽出哪裡「不像人講的」，這也是你判斷工具好壞最快的方法。
想再往下走，可以接著看另外兩篇：一篇整理了免費 TTS 工具的挑選方法——商用授權、額度、中文品質該怎麼比；另一篇是短影片旁白的八個配音技巧，都是今天就能用的調整。原理搞懂之後，那兩篇會更看得懂。
