AI 百科词条

语音合成（TTS (Text-to-Speech)）是什么？

把文字念成接近真人的语音——短视频配音、有声书、课程音频的底层技术。

一句话说清楚

语音合成模型从早期机器人腔进化到如今几乎以假乱真：能读出停顿、语气、情绪，部分产品还支持多情感、多方言、中英混读。主流产品按「角色音色数 + 字符量」计费，通常提供试听再付费。与声音克隆（见「声音克隆」词条）的区别：TTS 用官方预置音色，克隆需要授权录制真人声音。

选型看四点：音色自然度（试听最长那段而不是演示样片）、可用音色风格数量、单字成本与免费额度、是否支持商业授权（重要！个人试听音色商用可能侵权）。做知识类短视频优先选有「解说感」音色的产品。

试用时只听一两句容易被「样片质量」误导——用你自己最长的真实文案去测，重点关注多音字、数字、英文缩写的读法，这些才是翻车重灾区。

AI 做短视频：文案、素材、剪辑一站搞定

把「主题 + 时长 + 平台」说清楚，AI 产出脚本、分镜、配音与字幕，按需组合流水线。

录音转文字：会议、访谈、课程全场景

会议纪要看说话人分离与摘要能力，访谈整理看准确率与时间戳，课程听打看长音频支持。

AI 加字幕：识别、校对、翻译、烧录一条龙

上传视频自动出时间轴字幕，重点看中文识别准确率与双语翻译质量，最后人工校对同音字。