Chuyển văn bản thành âm thanh là công nghệ AI tự động tạo ra dữ liệu nguồn âm thanh như giọng nói, hiệu ứng âm thanh và âm nhạc từ các câu và hướng dẫn.
Chuyển văn bản thành âm thanh là thuật ngữ chung cho công nghệ AI tự động tạo ra các nguồn âm thanh như giọng nói, hiệu ứng âm thanh và BGM từ văn bản đầu vào và được sử dụng như một khái niệm rộng không chỉ bao gồm tổng hợp giọng nói (TTS) mà còn cả âm nhạc và tạo hiệu ứng âm thanh. Người ta thường nói rằng mô hình khuếch tán hoặc mô hình tạo sinh tự hồi quy chuyển đổi nội dung của văn bản hoặc biểu hiện cảm xúc thành các đặc điểm âm thanh và xuất chúng dưới dạng dạng sóng. Trong thực tế sử dụng kể từ năm 2026, nó sẽ được sử dụng để sản xuất hàng loạt các nguồn âm thanh cần thời gian tạo thủ công, chẳng hạn như tường thuật video, tạo hiệu ứng âm thanh/BGM cho video ngắn SNS và sản xuất âm thanh thông báo cho ứng dụng. Những cạm bẫy trong lĩnh vực này là nguy cơ trộn lẫn các nguồn âm thanh với quá trình xử lý bản quyền không rõ ràng bắt nguồn từ dữ liệu huấn luyện và thực tế là tính nhất quán của chất lượng âm thanh và âm sắc có xu hướng xấu đi trong thời gian dài. Giá chủ yếu được tính theo mức sử dụng dựa trên số giây được tạo hoặc hệ thống tín dụng, thời gian miễn phí được giới hạn trong vài phút và việc sử dụng thương mại hầu như yêu cầu đăng ký gói trả phí. Tại thời điểm giới thiệu, phương pháp lựa chọn cơ bản trong lĩnh vực này là kiểm tra các điều khoản và điều kiện dành cho mục đích sử dụng thương mại và điều kiện phân phối lại, đồng thời sử dụng dành riêng cho TTS, dành riêng cho âm nhạc và dành riêng cho hiệu ứng âm thanh tùy thuộc vào mục đích.