语音合成（TTS）

指将文字信息实时转化为标准流畅、自然逼真的人声语音的技术。

语音识别（ASR）

指将人类说话的音频信号自动、准确地转换为对应文字的技术。

音色

指声音的特质，如同声音的“指纹”。不同音色可以让语音听起来是不同年龄、性别或风格的人发出的，例如“甜美女声”、“磁性男声”。