语音合成TTS

技术演进：拼接合成 → 统计参数（HMM）→ 神经网络（WaveNet/Tacotron/FastSpeech/HiFi-GAN）→ 零样本克隆时代。

核心能力：

• 零样本声音克隆：3-10 秒参考音频即可复刻音色（VALL-E 路线）

• 情感控制：显式标签（[laughter] 等）+ 隐式风格迁移双路线

• 流式合成：首包延迟 150ms（CosyVoice 2.0），支持实时对话

• 跨语言克隆：保持音色说目标语言从未录制的语言

标杆数据：

• ElevenLabs 盲测人类相似度 98%，识别率不超随机概率

• 市场规模 2025 年 84 亿美元，2030 年预计超 470 亿美元

• AI 配音比传统配音成本低 85-95%，42% 新播客使用 AI 语音

工程要点：

• 端到端架构：文本→音素→梅尔频谱→波形，HiFi-GAN 声码器实时运行

• 选型：质量选 ElevenLabs；性价比 Play.ht；企业合规 Azure Custom Neural Voice；本地部署 Bert-VITS2/CosyVoice

• 风险：声音诈骗、配音演员维权；《民法典》声音参照肖像权保护，ELVIS 法案要求披露 AI 语音