语音合成

把文字转换成接近人声的朗读输出，让文本材料从「能看」变成「能听」，主要用于提升可及性。

视力不佳的学生、需要在路上听通知的家长、需要低负担材料的一线教师，都能因此少一道坎。这是少数几个能直接写进无障碍方案的 AI 能力。

像把文字稿交给一位普通话主播：不用重新写稿子，按一下播放就有了可以直接听的内容。

把家长会通知、期末复习提纲先用文字定稿，确认没有歧义后再用豆包或通义千问转成语音，发给不便阅读的学生；音频作为讲义的补充材料分发，不能替代教师本人的讲授。

• 误解：念出来就等于录音员一样自然。 事实：多数合成语音在停顿、重音和长句处理上仍有明显机器感，正式场合通常还要后期调整。

• 误解：可以直接拿来给学生补课。 事实：讲解中的逻辑重音和临场判断无法自动生成，音频只适合作为材料补充。

• 误解：人名和公式念对了就没事。 事实：专有名词、符号和数字常被念错或跳过，发布前要逐段试听核对。

• 误解：可以随便模仿某个人的音色。 事实：克隆他人音色涉及授权和声音权益，学校场景要先确认合规边界再动手。

• 多模态模型同时接收文字、图片、音频等不同形式的信息，并用同一套系统理解和产出这些内容的能力形态。
• 大模型用海量文本训练出的巨型神经网络，靠「看着上文预测下一个词」生成连贯自然的文字。
• 提示词你交给模型的任务说明，包含角色、任务、材料和输出格式，直接决定结果质量的上限。
• 开源与闭源闭源指权重不公开、只能走官方服务；开源指权重可下载，可本地部署或微调，按许可证约定使用。