文字轉語音（TTS）與語音合成看似是新興技術，其實已有悠久的發展歷史，甚至可追溯至數百年前。
從最早以機械裝置模仿人類說話的嘗試，到如今尖端的人工智慧與深度學習模型，TTS 的演進歷程充滿令人驚豔的突破。
本文將深入探討文字轉語音與語音合成的發展歷史，並展望未來可能出現的創新。
文字轉語音與語音合成：從早期發展到現代應用
18、19 世紀
文字轉語音與語音合成的歷史可追溯至 18 至 19 世紀。當時已有多種早期的語音合成嘗試，且大多仰賴機械裝置。1770 年代，匈牙利發明家 Wolfgang von Kempelen 製作出聲學機械語音機，用來模擬人類的發聲器官。這類裝置透過風箱、簧片與管子來產生母音與子音。
18 世紀末，英國物理學家 Charles Wheatstone 進一步打造出更機械化版本的 Kempelen 語音機，並將其命名為「說話機器」。這項裝置能模仿多種樂器的聲音。雖然 Wheatstone 的設計並非專為語音合成而生，卻進一步鞏固了以機械方式產生聲音的概念。
到了 19 世紀，其他類似裝置也陸續問世，包括法伯（Faber）的「人工語音」機器。這些設備結合機械與氣動系統來產生語音。
20 世紀初與第一套全電子語音合成系統
20 世紀初，隨著第一套全電子語音合成系統問世，語音合成技術有了重大進展——這就是 Homer Dudley 發明的「聲碼器」。這套系統是在美國新澤西州的貝爾實驗室（Bell Labs）開發完成。
Dudley 的聲碼器利用多組共振器與濾波器產生合成語音。1939 至 1940 年間，專家在紐約世界博覽會上展示了這套名為 Voder 的系統。操作者可透過鍵盤與腳踏板來生成語音。
1950 年代初至 1970 年代末——合成器的崛起
1951 年，Dudley 的研究啟發 Haskins Laboratories 的 Franklin S. Cooper 博士開發出「圖形播放機」。這套系統會先分析錄製的音訊（例如字詞），將其拆解為聲波的組成部分（即「聲譜圖樣」），再以磁帶儲存並播放合成後的聲音版本。
1976 年，Kurzweil 閱讀機首次推出商業上獲得成功的文字轉語音系統，運用拼接合成技術，將預錄的音素與字詞結合，產生合成語音。雖然這款產品最初是為了協助身心障礙者而設計，但很快也成為廣受歡迎的閱讀輔助工具。
自 1978 年起，Texas Instruments 開始研發可用於遊戲與電腦應用的語音合成晶片。這些晶片採用拼接合成技術，結合錄製的語音單元（diphones），產生更接近真人的語音；相關技術也被應用於 DECtalk 等高品質文字轉語音系統，為障礙人士提供更多便利。
現代文字轉語音系統
近年來，神經網路在語音合成上的應用，成為最關鍵的創新之一。Google 和 Microsoft 等公司已開發出高品質的 TTS 系統，能運用深度學習分析大量語音資料，產生自然流暢的語音輸出。
作為輔助科技的 TTS，在單元選擇與拼接合成方面也有顯著進展。這種方法會將預錄的語音單元（例如 diphones 或單字）拼接成新的句子，使效果更自然逼真。Speechify、Apple Siri、Amazon Alexa 與 IBM ViaVoice 等產品都採用了這類技術。
近年來，語音辨識技術也大幅進步，進一步帶動 TTS 系統的提升。透過語音辨識演算法將語音轉為文字，也有助於讓合成語音的切換與銜接更加自然。
近幾年來，TTS 也更進一步納入韻律與語調的處理，讓語音具備更自然的停頓、重音與語氣。對英語這類語意深受重音與語調影響的語言來說，韻律尤其重要。
深度學習與未來技術展望
TTS 技術的未來令人期待。隨著人工智慧與深度學習日益成熟，語音輸出將變得更加自然，也更能呈現人類語音中的細膩差異。
虛擬助理與聊天機器人的開發，將是這項技術特別能發揮價值的領域。未來這類系統會更加擬人、對話體驗也更自然，讓使用者能以更直覺的方式互動。
此外，將文字轉換為音位（即文字轉音素技術）的領域也會持續進步。隨著機器在語音辨識與理解上的能力不斷提升，語音轉文字系統將變得更精準、更有效率。
最後，文字轉語音技術預計將更普及，並更深入地融入日常生活。隨著越來越多裝置連上網路，我們將能即時以語音操控設備，進一步提升便利性與效率。
加入 Speechify，一起體驗文字轉語音革命
如果您正在尋找能生成自然、高品質旁白的文字轉語音服務，Speechify 會是非常值得考慮的選擇。
Speechify 採用先進的共振合成技術，打造逼真自然的聲音表現，擺脫以往生硬的機械感。就連曾接觸過文字轉語音技術的知名學者 Stephen Hawking，想必也會對 Speechify 的表現印象深刻。
使用 Speechify 非常簡單——只要前往官網或下載手機應用程式，輸入想要朗讀的文字即可。接著選擇最適合的聲音，再調整語速與音調，就能生成專業自然的旁白，適用於 e-learning 模組、解說影片、Podcast與簡報。您也可以為 YouTube 和社群內容挑選多種自然的 AI 聲音。
別再將就品質不佳的 TTS 服務——立即體驗 Speechify，親自感受文字轉語音技術的未來。
常見問題
誰開發了全球第一台語音合成器？
Homer Dudley 於 1930 年代初在紐約的貝爾實驗室設計出全球第一台語音合成器。
語音合成的目的為何？
語音合成的目的，是接收文字輸入，結合語言處理與基頻分析，產生人工語音。
TTS 有哪四種主要應用？
TTS 可應用於無障礙輔助、娛樂、語言學習，以及語音自動化服務。
文字轉語音有何優點？
文字轉語音能提升無障礙體驗、增進學習成效，並讓使用者透過聽覺吸收內容，進而提高生產力。
文字轉語音合成發展史上最令人驚訝的時刻是什麼？
在文字轉語音合成的發展史上，最令人驚訝的時刻之一，就是 Charles Wheatstone 發明了機械式語音合成器。
