语音合成之二十三 现代TTS技术发展族谱

第一阶段：奠基时代 - 自回归模型的“黄金组合” (约 2017 - 2020)

这个时代的目标是：追求最高的语音合成自然度，不惜牺牲速度。

主干：Tacotron 2 + WaveNet

这个组合可以说是现代高质量TTS的“亚当和夏娃”，它奠定了“两阶段”合成的基本范式，直到今天仍然有深远影响。

• 声学模型 (Acoustic Model): Tacotron 2
  负责理解文本，解决文本和语音之间“对齐”的古老难题，并生成高质量的中间表示——梅尔频谱图 (Mel-spectrogram)。

  计算机怎么知道 “hello” 这个词里，‘h’ 发音多长，‘e’ 发音多长，‘llo’ 又该怎么连起来？之前的模型要么需要一个独立的、复杂的对齐模型，要么效果很生硬。其技术细节主要如下：

  1. Encoder (文本理解模块): CNN + Bi-LSTM 的组合拳
     CNN非常擅长捕捉局部模式。在文本中，这意味着它可以学习到像 “ch”, “sh”, “ing” 这样的字符组合的特征，这比单独看一个字符 ‘c’ 或 ‘h’ 要有意义得多。它像一个初级分