TTS（Text-To-Speech，文本转语音）是一种将书面文字自动转换为语音输出的语音合成技术。其核心能力包括：对文本进行语言分析与处理、通过语音合成引擎生成自然语音波形，并支持多语言、多音色输出。TTS广泛应用于无障碍辅助、智能助手、导航播报、教育软件等领域，是人机交互的重要基础技术之一。
AI-powered phone answering involves ASR to convert speech to text, an LLM to understand intent and generate responses, and TTS to convert replies into voice output
End-to-end latency in voice AI typically involves three stages: speech-to-text (STT) recognition, large language model inference, and text-to-speech (TTS) synthesis
全双工语音AI实现的核心挑战包括同时运行ASR和TTS、实时回声消除（AEC）、以及端到端延迟需控制在150毫秒以内
TTS模型在处理较短文本时能更好地维持韵律一致性，长文本输入容易导致后段语音质量下降
TTS模型在处理较短文本时能更好地维持韵律一致性，长文本输入容易导致后段语音质量下降
65%待验证End-to-end latency in voice AI typically involves three stages: speech-to-text (STT) recognition, large language model inference, and text-to-speech (TTS) synthesis
90%待验证AI-powered phone answering involves ASR to convert speech to text, an LLM to understand intent and generate responses, and TTS to convert replies into voice output
90%待验证全双工语音AI实现的核心挑战包括同时运行ASR和TTS、实时回声消除（AEC）、以及端到端延迟需控制在150毫秒以内
50%