历史注记

正如本章开头所述，语音合成是语音和语言处理最早的领域之一。18 世纪出现了许多发音过程的物理模型，包括上文提到的 von Kempelen 模型，以及哥本哈根 Kratzenstein 于 1773 年利用管风琴管制作的元音模型。

20 世纪 50 年代初出现了三种早期波形合成范式：共振峰合成、发音合成和拼接合成。

共振峰合成器最初受到模仿人类语音、生成人工声谱图的尝试启发。Haskins Laboratories 的 Pattern Playback Machine 将声谱图模式绘制在移动的透明带上，并使用反射来滤波波形的谐波，从而生成声波（Cooper et al., 1951）；其他非常早期的共振峰合成器包括 Lawrence（1953）和 Fant（1951）的系统。最著名的共振峰合成器可能是 Klatt 共振峰合成器及其后继系统，包括 MITalk 系统（Allen et al., 1987）和 Digital Equipment Corporation 的 DECtalk 中使用的 Klattalk 软件（Klatt, 1982）。详情见 Klatt（1975）。

第二种早期范式是拼接合成，似乎最早由 Bell Laboratories 的 Harris（1953）提出；他确实把对应音段的磁带片段拼接起来。不久之后，Peterson et al.（1958）提出了基于双音素的理论模型，包括一个数据库：每个双音素有多个副本，具有不同韵律，并标注了 F0、重音和时长等韵律特征；相邻单元之间的连接代价则基于 F0 和共振峰距离。但这种双音素合成模型直到几十年后才真正实现（Dixon and Maxey, 1968；Olive, 1977）。20 世纪 80 和 90 年代发明了单元选择合成，使用长度不规则的更大单元，并使用目标代价（Sagisaka, 1988；Sagisaka et al., 1992；Hunt and Black, 1996；Black and Taylor, 1994；Syrdal et al., 2000）。

第三种范式是发音合成器，试图把声道建模为一根开放管道，以模拟其物理过程来合成语音。代表性模型包括 Stevens et al.（1953）、Flanagan et al.（1975）和 Fant（1986）。更多细节见 Klatt（1975）和 Flanagan（1972）。

早期大多数 TTS 系统以音位作为输入；TTS 的文本分析组件稍后才发展起来，并借鉴了 NLP。事实上，第一个真正的文本到语音系统似乎是 Umeda and Teranishi 的系统（Umeda et al., 1968；Teranishi and Umeda, 1968；Umeda, 1976），其中包括一个能够分配韵律边界、重音和词重音的解析器。

编解码器的历史和神经 TTS 的现代历史：待定。