詳細解釋
語音合成（Speech Synthesis）是將文字轉為自然語音的技術，讓AI能「說話」，廣泛應用於語音助手、有聲書和導航系統。
技術演進：
- 拼接合成：拼接預錄音片段
- 參數合成：聲學模型生成
- 神經網絡：WaveNet開創深度學習時代
- 現代：Transformer架構 (變換器 / 注意力模型) (Switch Transformer)和擴散模型 (擴散生成模型)生成高品質語音
品質維度：
- 自然度：是否像真人說話
- 清晰度：發音是否準確
- 表現力：語調、情感變化
- 即時性：能否即時生成
- 多語言：支援語言數量
應用場景：
- 語音助手：Siri、Alexa的聲音
- 導航系統：Google Maps導航
- 有聲書：自動朗讀電子書
- 客服系統：IVR語音應答
- 無障礙輔助：視障人士閱讀
聲音克隆：
- 少量樣本：用3-10秒音頻克隆聲音
- 應用：個人化語音助手、復原歷史人物聲音
- 風險：深度偽造（deepfake）詐騙
代表技術：ElevenLabs（最自然的商業TTS）、Coqui、Piper（開源）。