面试题库 › 算法 / 大模型 › TTS 语音合成的实现原理与主流方案

TTS 语音合成的实现原理与主流方案

难度 ★★☆在 1 场真实面经中被问到 方向:算法 / 大模型考点:生成模型

哪些公司问过

沐曦1

常见岗位:推理部署与加速

答案要点

  1. 文本前端:文本正则化、分词、多音字消歧、G2P 转音素、韵律预测,中文场景尤其关键
  2. 声学模型:Tacotron 2 自回归加注意力;FastSpeech 2 借助时长预测实现非自回归并行生成,更快更稳
  3. 声码器:把梅尔频谱还原为波形,WaveNet 质量高但慢,HiFi-GAN 等 GAN 声码器可实时
  4. 端到端与大模型方案:VITS 联合训练;基于音频 codec token 的语言模型方案支持零样本音色克隆
  5. 评价与工程指标:MOS 主观评分、字错误率、说话人相似度、实时率 RTF、流式首包延迟

易错点

面试官常见追问

完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。

相关面试题