導航軟體報路、語音助理回話、短影片裡的旁白——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）。
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。
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。機器要把這整條鏈路模仿出來，每一步都有難題。
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」），還有標點帶來的停頓。
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，都是在這一步決定的。
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。
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：錄一個人講幾千個音節，再照文字把音節接起來。接縫處的音調對不上，就會有明顯的機器感。
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。
它現在能做到什麼
一句話的稿子，幾秒內變成自然語音；只要幾十秒的樣本，就能複製某個人的音色；同一段文字還能套上不同角色——有活力的廣告腔、溫和的說書腔，都行。
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。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。
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。
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。