把一段文字交给 AI 合成语音，按下按钮到听见声音，快的不到一秒，慢的要等上好几秒。这几秒里机器在干什么？时间花在了哪一段？答案藏在语音合成的链路里：文字要先把「念法」理顺，再由模型算出声音的特征，最后把特征变成真正的波形——三段工位，各有各的耗时。这篇按链路顺序把账拆开算：每一段做什么、大概占多少、为什么有的快有的慢；合成全程的三段工序框架见语音合成三阶段一篇，本文聚焦的是各段的耗时分布。至于从开口到回应的完整交互延迟怎么分层，那是另一篇的事，见语音延迟分层一篇，两篇的口径先分清。
第一段：文本正则，动手合成前先理顺念法
链路第一段是文本正则，也叫文本前端处理。机器拿到的原始文字不能直接合成：「3.5 万」要变成「三万五千」，「2026 年」要念成「二零二六年」，多音字要按上下文定音，缩写与符号要展开。这一段本质是文本规则的解析与转换，单句通常在几毫秒到几十毫秒量级，占比不大，但它是耗时的「方差来源」：正文流畅时几乎无感，遇到超长段落、密密麻麻的数字表格、夹杂生僻符号的内容，正则的处理时间会明显抬升，极端情况下能占到总耗时的一两成。这一段慢还有一个连带效应——它是串行的第一步，它没算完，后面的声学模型就只能等着。文本前端的具体工序见文本前端一篇，此处只算时间账。
第二段：声学模型，耗时的大头
第二段是声学模型，把整理好的文字（音素序列）转成声学特征——通常是频谱或类似的中间表示，可以理解为「声音的设计图纸」。这一段通常占总耗时的大头，原因在于计算量：模型的规模从几千万到上亿参数，每个音素都要经过多轮网络计算，还要携带上下文——前后音的信息影响当前音的走势，句子越长，序列越长，算得越久。耗时长短主要看三件事：模型大小，大模型音质好但算得慢；文本长度，十秒的语音对应几百帧特征，逐帧生成；以及是否自回归——逐帧依赖上一帧结果的模型，长句耗时线性增长，无法并行。同样的文本，不同产品的合成速度差几倍，差距主要就在这一段的模型架构与规模上。
| 影响因素 | 怎么拖慢这一段 | 原文的说明 |
|---|---|---|
| 模型大小 | 大模型音质好但算得慢 | 规模从几千万到上亿参数，每个音素都要多轮网络计算 |
| 文本长度 | 句子越长，序列越长，算得越久 | 十秒的语音对应几百帧特征，逐帧生成 |
| 是否自回归 | 长句耗时线性增长，无法并行 | 逐帧依赖上一帧结果的模型只能一帧一帧来 |
第三段：声码器，从图纸到声音的最后一关
第三段是声码器，把声学特征变成真正的音频波形，相当于把设计图纸变成实物。早年这一段是著名的耗时大户——高质量声码器逐采样点生成波形，一秒音频几万个采样点，算得比声学模型还久。近年神经网络声码器大幅提速，加上不少方案改为并行生成，这段的占比已经从「大头」降到「零头」，通常只占总耗时的一成上下。但它仍是音质的守门员：声码器的选择直接决定听感是「机器腔」还是「人声感」，速度与音质的权衡在这里最明显。三段加起来，典型分布大致是：文本正则一成上下、声学模型六七成、声码器一成多，剩余是各段之间的调度与缓冲。文本越长，声学模型占比越重，这个结构基本稳定。
时间账怎么省：流式把三段重叠起来
看懂了分布，省时的思路就清楚了。一是缩短各段本身：用更轻的声学模型、限制单次合成的文本长度——超长文本切成句段分配合成，既绕开长序列的耗时，也让错误只影响局部，长文本的切法见长文本合成一篇。二是改变结构：流式合成的思路是不等全文算完，边算边出——文本正则处理完第一句，声学模型就开始算第一句的特征，声码器拿到第一段特征就开始出音频，三段工位像流水线一样重叠运转，首字可闻的时间从「全文算完」缩短到「第一句算完」，边合成边播放的机制见流式合成一篇。对朗读长文章的场景，流式带来的体感提升是数量级的。理解了这条链路，很多体验差异就解释得通：为什么短句合成秒出而长文要转圈——声学模型的大头随长度线性涨；为什么有的产品首字快整体慢——流式只提前了开口，全文的总计算量没变。
算清这笔账的用处
把链路的账算清，对使用者有三处实际用处。选型时，拿自己的典型文本测「首字延迟」与「总耗时」两个数——前者决定交互体感，后者决定批量生产的吞吐，只看宣传的总分容易选错。排查时，慢有慢的位置：长文本慢是声学模型在算，符号密的内容慢可能是正则在理，音质差得看声码器——对症才能对路。使用时，提前分句、清理特殊符号、把数字写成希望念出的形式，都能把第一段的时间与不确定性压下去。想实测延迟差异，可以让豆包与通义千问各合成同一段短文本与同一段长文本，掐表对比首字与总耗时；架构层面的疑问丢给 DeepSeek 或 Kimi，把「自回归生成为何无法并行」展开成平实的解释，这笔时间账就彻底归你支配了。
合成延迟速查
- 三段工位：文本正则理念法、声学模型出特征、声码器变波形
- 耗时分布：声学模型占大头，正则与声码器各一成上下
- 正则是方差来源：数字密、符号多的文本让第一段明显抬升
- 省时两条路：切句分配合成绕开长序列，流式让三段重叠运转
- 选型看两个数：首字延迟定交互体感，总耗时定批量吞吐
再多说几句合成延迟
- 为什么同一产品有时快有时慢？：除了文本长度与符号密度，服务负载也会带来波动——高峰时段排队，延迟整体上浮。测延迟要多个时段各测几次，单次快慢说明不了架构差异。
- 文本正则可以完全跳过吗？：不能省，只能减负。跳过正则，数字与符号只能按字符硬念，出错率陡增。把文本提前清洗成「希望怎么念就怎么写」的形式，等于把正则的工作挪到自己这边，又快又准。
- 流式合成会影响音质吗？：切句边界处的语调衔接是主要风险点，句间可能听出细微的不连贯。成熟方案会做跨句的上下文缓冲，日常朗读基本无感；对音质要求极高的成品配音，仍以整段合成更稳。
