一、概述

        语音合成又叫文字转语音（TTS-text to speech ），本专题我们记录从零搭建一个完整的语音合成系统，包括文本前端、声学模型和声码器，从模型训练到系统的工程化实现，模型可以部署在手机等嵌入式设备上，也可以部署在本地或云端服务器上。 更多资料和代码可以进入 https://t.zsxq.com/qgmoN ，同时欢迎大家提出宝贵的建议，以共同探讨学习。

二、效果演示

2.1 示例1

（1）文本：那是什么，怎么有如此恐怖的魂力？

（2）语音：

2.2 示例2

（1）文本：紫色龙影一闪即逝，众人根本没看清是什  么东西。

（2）语音：

三、技术路线

        前期我们对比了基于merlin等传统的基于pipline的方式和基于tacotron及tacotron2等端到端的方式，基于merlin的方式对文本前端的依赖更强，且声学模型训练更为复杂，需要对音素做对齐，对时长模型和声学模型单独训练。端到端模型可以通过一个模型解决这些问题，降低文本前端的复杂性，并且合成效果更好。所以我们采用文本前端+tacotron2+lpcnet声码器的技术路线。

四、总结

        本节我们总体概括了语音合成的技术路线，并对最终结果进行了展示。后面章节将完整实现一个端到端的语音合成系统。