传统语音合成系统可以分为两步:首先,通过一个“文本分析”模型,将文本转换为发音单元(通常为音素)序列;第二步,通过一个“声学模型”把这些音素序列转换成语音信号。以下内容主要讨论声学模型部分。语音合成的基本框架,包括“文本分析”和“声学模型”两部分。前者将文本转换成音素序列,后者把音素序列合成语音。