怎样让 TTS 合成语音更自然富有情感

语音合成听起来机梗干瘪，往往是因为模型在面对较长的语句时容易陷入“语调平坦”的陷阱，使得整体起落不明显，缺少情感波动。

面对这一问题，可以从不同方向下手。OpenAI 推出的 TTS-1-HD 依靠内部预设的声音参数，省去了手动调整的步骤，但情感表达较为随机。面对同样一段文字，连续播放三次可能会出现三种迥异的语气，有时自然拟真，有时显得生硬。这种方式节省了操作时间，适合追求快速输出的场景，但难以满足需要精细控制节奏感的项目。

而 GPT-4o（Omni）在原生语音处理上处于 T0 等级，其突出之处在于能够理解上下文中的隐含情绪。例如，当输入带有情绪注解的语句如“（愤怒地）你竟然敢这么做！”，系统就能直接呈现出愤 Angry 的语气，无需额外标注。这一功能在一定程度上提升了语音的真实感，但目前该接口的开放程度受限，部分高级特性未在对外 API 中开放，导致实时调整情感表现时存在不足。

如果希望在发音过程中加入更多情感细节，可以考虑使用 ChatTTS。该方案允许用户在文本中插入特定标记符，比如 [laugh] 或 [uv_break]，以控制语气走向。例如，将文本设置为 哎呀，这个方案真的太离谱了。[laugh] 谁能想到会这样？，传统 TTS 通常会以平淡的语调念出“哎呀”，仿佛在朗读说明文档；但 ChatTTS 则会在 [laugh] 处插入真实的轻笑声，并让前后句的语调自然上扬下降，更贴近人类口述时的感觉。

想要更精细地掌控语音效果，则可选择 Edge-TTS 配合优化后的提示词，或是尝试 ElevenLabs。其中，ElevenLabs 提供了 Stability 与 Similarity 两个可调滑块。将 Stability 调整到约 30% 左右，可以让语音变得更加灵动，情感起伏更加明显，虽然可能会偶尔出现轻微失真音，但足以摆脱单调机械的播音感觉。此外，适当地加入语气词（如“嗯”“额”“那个”），或者对支持 SSML 的模型进行如下标记处理，也有助于提升语音的自然程度：

<speak>
  <prosody rate="slow" pitch="+2st">真的吗？</prosody>
  <break time="500ms"/>
  <prosody rate="fast" pitch="-1st">我完全不敢相信！</prosody>
</speak>

综合各项指标进行评估：

• 自然度排名：GPT-4o > ElevenLabs > ChatTTS > Edge-TTS
• 可控性排名：ChatTTS（靠控制符） > ElevenLabs（靠滑块） > Edge-TTS（靠 SSML） > GPT-4o
• 部署成本低到高：Edge-TTS（极低） > ChatTTS（中等） > ElevenLabs（较高）

综上所述，根据实际应用场景与预算选择合适的方案即可达到良好的语音合成效果。