WaveNet
由DeepMind于2016年提出的深度学习语音合成模型，基于原始音频波形直接建模生成语音，首次使合成语音在韵律和情感维度上接近真人水平
核心事实
时间轴 (近 90 天)
传统TTS产出机械、机器人化的声音，定制空间有限，但资源占用低；神经网络TTS依赖Tacotron、WaveNet、FastSpeech等架构，音质更自然，但GPU/CPU开销更高。
深度伪造语音指利用深度学习技术（如WaveNet、Tacotron等）合成高度逼真的语音，模仿特定人物的音色、语调甚至口音，攻击者只需少量目标人物的音频样本即可训练出克隆模型。
自回归采样是GPT系列语言模型、PixelCNN、WaveNet等生成模型的核心机制。
神经音频合成是指利用深度神经网络直接建模和生成人类语音波形的技术，代表性方法包括 WaveNet、Tacotron 及其后续变体。
基于深度学习的端到端模型如WaveNet、VITS、Voicebox大幅提升了音质并支持说话风格迁移与零样本声音克隆
语音合成领域在2019-2021年间经历拐点，WaveNet等模型使合成语音的可辨别率降至5%以下
当代高自然度TTS系统大多基于神经网络声码器架构，典型代表包括WaveNet、HiFi-GAN
现代端到端TTS技术的跃迁始于2017年谷歌推出的WaveNet和Tacotron，它们首次展示了接近真人的语音自然度
堆叠多层因果卷积或使用膨胀卷积可指数级扩大感受野以捕捉长程依赖，这一策略已被 WaveNet、TCN 等经典架构验证
2016年后随着WaveNet、Tacotron等神经网络模型的出现，TTS质量发生质的飞跃，自然度接近真人朗读
全部知识事实 (13)
2016年DeepMind发布的WaveNet模型首次证明深度神经网络可以直接在波形层面生成高度逼真的人声
75%已验证现代TTS技术已从早期基于规则的拼接合成发展到基于深度学习的端到端语音生成，底层技术包括Transformer架构语音模型、神经网络声码器（WaveNet、HiFi-GAN）及韵律建模
65%待验证2016年DeepMind发布的WaveNet首次以原始波形建模取代传统声码器，是TTS领域的里程碑
60%待验证传统TTS产出机械、机器人化的声音，定制空间有限，但资源占用低；神经网络TTS依赖Tacotron、WaveNet、FastSpeech等架构，音质更自然，但GPU/CPU开销更高。
50%待验证深度伪造语音指利用深度学习技术（如WaveNet、Tacotron等）合成高度逼真的语音，模仿特定人物的音色、语调甚至口音，攻击者只需少量目标人物的音频样本即可训练出克隆模型。
50%待验证自回归采样是GPT系列语言模型、PixelCNN、WaveNet等生成模型的核心机制。
50%待验证神经音频合成是指利用深度神经网络直接建模和生成人类语音波形的技术，代表性方法包括 WaveNet、Tacotron 及其后续变体。
50%待验证基于深度学习的端到端模型如WaveNet、VITS、Voicebox大幅提升了音质并支持说话风格迁移与零样本声音克隆
50%待验证语音合成领域在2019-2021年间经历拐点，WaveNet等模型使合成语音的可辨别率降至5%以下
50%待验证当代高自然度TTS系统大多基于神经网络声码器架构，典型代表包括WaveNet、HiFi-GAN
50%待验证现代端到端TTS技术的跃迁始于2017年谷歌推出的WaveNet和Tacotron，它们首次展示了接近真人的语音自然度
50%待验证堆叠多层因果卷积或使用膨胀卷积可指数级扩大感受野以捕捉长程依赖，这一策略已被 WaveNet、TCN 等经典架构验证
50%待验证2016年后随着WaveNet、Tacotron等神经网络模型的出现，TTS质量发生质的飞跃，自然度接近真人朗读
50%