语音合成（Speech Synthesis）将文本信息转换成可听的自然语言。这个过程也通常被称为“文本转语音”（Text-to-Speech，TTS）。语音合成技术的主要目的是模仿人类发声机制，创造出逼真的、自然流畅的语音。基于语音合成的智能语音助手广泛应用于各类APP、智能手机、平板电脑和智能家居设备等。它们通过语音合成技术为用户提供语音反馈，以实现人机交互。

声音模拟（Singing Voice Conversion）AI能根据人们说话的声音进行声音的模拟，使其听上去更接近声音的提供者，声音模拟包括音色模拟和语气模拟，最大限度还原说话的语气和节奏，让听众没有虚假电子音的感受更加容易接受AI输出的语言内容。

语音与面部头像的融合，主要根据AICG生成的语音驱动静态人像形成视频流，视频中的人物表情及嘴型与语音保持同步。融合过程主要为嘴型同步和面部增强并渲染生成视频流，AI模型主要集中在面部特征与发音的匹配一致性上。该技术主要应用于宣传播报等数字人方面。