语音合成（TTS）
别称：TTS · 文本转语音 · 语音播报
语音合成（Text-to-Speech，TTS）是把文本转换成语音的技术。在直播实时翻译里，它负责把译文朗读出来，其耗时大致与译文长度成正比，是端到端延迟的主要来源之一。
在实时翻译里的位置
TTS 是链路的第四段，紧接机器翻译之后。它的输出直接送进虚拟声卡，再由 OBS 推给观众。
它的特殊之处在于：TTS 的耗时不只是「生成」的时间，还包括「播放」的时间。生成再快，一句十几个词的英文念完仍然要好几秒，而这段时间和引擎无关，只和句子长度有关。想缩短它只有一个办法：让句子变短。
影响体验的几个参数
- 语速：Google Cloud Text-to-Speech 的
speakingRate取值范围是 0.25 到 2.0，1.0 是该音色的原生语速。往上调一点（1.1 左右）能按比例缩短播放时间；听感损失多大取决于音色和语种，没有通用答案，自己听一遍再决定。 - 音色：通用音色和克隆音色的差异不只在自然度，也在延迟。
- 停顿处理：好的 TTS 会在标点处给出合理停顿。译文里如果标点丢失，播报会连成一片，可懂度显著下降。
- 数字与单位的读法：「30ml」应该读成「thirty millilitres」还是「three zero m l」，不同引擎处理不同，直播里价格和规格出现频率极高，这一项值得单独测。
流式合成
和识别一样，合成也分流式和非流式。流式合成边生成边播放，可以在整句还没生成完时就开始出声，明显降低感知延迟。如果你的方案支持，应该开启。