# Synteza mowy / TTS

EN: **Text-to-speech** · id `tts`

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Mowa i audio](https://aiatlasgraph.com/t/audio.md) › Synteza mowy / TTS

## Description

- PL: Wytwarzanie mowy na podstawie tekstu.
- EN: Producing speech from text.

## In one sentence

- PL: To zamienianie pisanego tekstu na wypowiedź słyszaną z urządzenia.
- EN: This turns written text into speech played by a device.

## Problem it solves

- PL: Nie możesz patrzeć na ekran, ale potrzebujesz usłyszeć zapisane informacje.
- EN: You cannot look at a screen but need to hear written information.

## What it does

- PL: Model dobiera wymowę, rytm i brzmienie do tekstu, a następnie tworzy odpowiadający im sygnał dźwiękowy.
- EN: A model chooses pronunciation, rhythm and voice characteristics for the text, then produces the corresponding sound signal.

## Everyday example

- PL: Telefon odczytuje ci wiadomość, gdy gotujesz i masz mokre ręce.
- EN: Your phone reads a message aloud while you cook with wet hands.

## This concerns you if you…

- PL: potrzebujesz odczytywania tekstu na głos
- PL: dodajesz mówione odpowiedzi do programu
- EN: need text read aloud
- EN: add spoken responses to software

## Keywords

Tacotron 2 · FastSpeech 2 · HiFi-GAN · neural vocoder · prosody control · speaker conditioning

## How it works

- PL: Model mapuje tekst i warunki głosu na cechy akustyczne lub tokeny audio. Wokoder albo dekoder rekonstruuje przebieg falowy, a opcjonalne sterowanie określa rytm, intonację i tempo.
- EN: The model maps text and voice conditions to acoustic features or audio tokens. A vocoder or decoder reconstructs waveforms, while additional controls specify rhythm, intonation and pace.

## Limits

- PL: Wymowa nazw, skrótów i liczb wymaga poprawnej interpretacji tekstu. Naturalna prozodia oraz stabilny głos zależą od danych, a strumieniowanie może ograniczać kontekst syntezy.
- EN: Pronouncing names, abbreviations and numbers requires correct text interpretation. Natural prosody and stable voices depend on data, while streaming can limit synthesis context.

## Key terms

- PL: **wokoder**: Model lub algorytm odtwarzający falę dźwiękową z reprezentacji akustycznej.
- PL: **prozodia**: Rytm, akcentowanie i intonacja wypowiedzi.
- EN: **vocoder**: A model or algorithm reconstructing waveforms from acoustic representations.
- EN: **prosody**: Speech rhythm, stress and intonation.

## Know first

- [Transformery i attention (Transformers and attention)](https://aiatlasgraph.com/t/transformers.md)
- [Tokenizacja tekstu (BPE, WordPiece, SentencePiece) (Text tokenisation (BPE, WordPiece, SentencePiece))](https://aiatlasgraph.com/t/tokenization.md)

## Examples

- PL: Głos syntetyczny
- EN: Synthetic voice

## Related topics

Untyped, symmetric "see also" links.

- [Generowanie muzyki i efektów dźwiękowych (Music and sound generation)](https://aiatlasgraph.com/t/audiogen.md)
- [Potok STT → agent tekstowy → TTS (Cascaded STT–text agent–TTS pipeline)](https://aiatlasgraph.com/t/cascadedpipeline.md)
- [Strumieniowe przekazywanie odpowiedzi do mowy (Streaming model output into speech)](https://aiatlasgraph.com/t/streamingaggregation.md)

## Sources

- [Hugging Face · Audio Course](<https://huggingface.co/learn/audio-course/en/chapter0/introduction>) `audio` · reference: Dane audio, klasyfikacja, ASR, TTS i modele mowy.

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/tts · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30