定义
文本转语音（TTS）把书面文本转换为语音音频。在企业语音系统中，它让 IVR 提示、语音 OTP、提醒和 AI 语音智能体无需预先录制每个句子，就能朗读动态内容。
TTS 引擎会先规范化文本（展开数字、日期、货币和缩写），再确定发音和语调，最后合成音频。神经网络语音听起来比早期的拼接式语音自然得多，许多引擎还允许选择语言、性别、语速和风格。
发音和节奏可以通过 SSML（Speech Synthesis Markup Language）控制，这是大多数引擎支持的 W3C 标准。典型用途包括：逐位朗读验证码、插入停顿、逐字母拼读，或指定品牌名称的读法。
阿拉伯语需要格外留意。书面阿拉伯语通常省略短元音（tashkeel），引擎只能自行推测，可能会读错人名或生僻词；数字可以用阿拉伯语或英语朗读；而用户可能因场景不同，期待现代标准阿拉伯语或海湾方言。上线前，请让母语者测试真实的提示语。
常见错误有：朗读长字符串过快、让引擎把 OTP 读成一个大数字，以及在一句话里混用多种语言却没有标注语言切换。
OmniChannels.ai 借助 BroadNet 的语音能力，为 IVR、语音 OTP 和可编程呼叫提供文本转语音，包括阿拉伯语。
示例
<speak>您的验证码是 <say-as interpret-as="characters">471902</say-as>。 <break time="700ms"/> 我再重复一遍……</speak>