Âm vị là đơn vị âm thanh nhỏ nhất tạo ra sự khác biệt về ý nghĩa trong ngôn ngữ và là thành phần cơ bản của nhận dạng giọng nói và tổng hợp giọng nói.
Âm vị là một khái niệm cơ bản trong ngôn ngữ học dùng để chỉ đơn vị âm thanh nhỏ nhất liên quan đến việc phân biệt ý nghĩa trong một ngôn ngữ và thường được thể hiện bằng Bảng chữ cái phiên âm quốc tế (IPA). Trong các lĩnh vực tổng hợp văn bản thành giọng nói (TTS) và nhận dạng giọng nói, một quy trình chuyển đổi văn bản thành một chuỗi âm vị và sau đó chuyển đổi nó thành dạng sóng hoặc đầu vào mô hình (chuyển đổi biểu đồ sang âm vị, G2P) được sử dụng rộng rãi. Trong hoạt động thực tế kể từ năm 2026, độ chính xác của việc chuyển đổi âm vị có thể sẽ trở thành điểm nghẽn trong các ngôn ngữ như tiếng Nhật, nơi cách phát âm chữ kanji dao động tùy theo ngữ cảnh và việc phát âm sai danh từ riêng và từ nước ngoài có thể vẫn là vấn đề về chất lượng trong lĩnh vực này. Do việc tạo từ điển âm vị đa ngôn ngữ hoặc mô hình G2P của riêng bạn rất tốn kém nên thực tế phổ biến trong lĩnh vực này là sử dụng công cụ TTS làm sẵn hoặc xử lý âm vị được tích hợp sẵn trong API và điều quan trọng là phải ước tính trước giá thị trường, bao gồm cả số giờ công cần thiết để tùy chỉnh từ điển.