本章将重点转向语音生成，详细介绍构建现代文本到语音（TTS）系统所用的方法。目的是从合成的初步认识开始，逐步达到能生成高保真、听起来自然且可控制的人工语音的技术水平。

您将学习当前几种先进声学模型的架构和训练过程：

• 自回归 (autoregressive)模型： 分析 Tacotron 和基于 Transformer 的 TTS 等序列到序列的方法。
• 非自回归模型： 学习用于加速推理 (inference)的并行生成技术，如 FastSpeech 及其变体。
• 基于流和基于 GAN 的模型： 考察应用于声学特征生成的不同生成建模方式。

除了核心模型架构，我们还将介绍以下方法：

• 对语音韵律（节奏、语调）进行建模和控制。
• 生成具有不同风格或情感的富有表现力的语音。
• 实现语音克隆和转换系统。

本章包含一个动手实践部分，侧重于使用现代工具包训练高级 TTS 模型。