一句话定义：Dialect TTS 是让语音合成系统不只会读“标准语”，还能读出特定地域或社群的口音变体——比如美国南方英语（Southern American English）、非裔美国人英语（AAVE）——并且听起来像“那个地方、那个群体里的真人”，而不是标准音外面套一层口音滤镜。
先看这条流水线
常规 TTS 大致走四步：文本规范化（text normalization）、音素与韵律预测（prosody）、声学模型、声码器（vocoder）。可以拿配音演员来类比：他得先“认字”（把“1990”读成 nineteen ninety 还是 one nine nine zero），再带“口音”（发音习惯和音色），最后给“语气”（轻重缓急）。标准音系统的训练数据天然把口音抹平了（accent neutralization），于是第三步的“语气”和第二步的“发音”都被默认成一种“没有地方色彩”的样子。方言合成要做的，是把被抹掉的这部分找回来。
三个环节，各自要改什么
文本规范化最容易被低估。方言里大量词是“拼写一样、读法和用法不一样”：*going to* 口语里是 *gonna*，*you all* 是 *y'all*，南方英语里 *fixing to*（正要）常写成 *fixin' to*，还有 *might could* 这类组合。如果规范化阶段先把它拆回全称、或者按标准词典注音，后面声学模型再强也救不回来。所以方言 TTS 的词典要收方言词形、缩略形式和方言特有的语用词，而不是只收“标准词 + 读音规则”。
音色（timbre）承载的是“这是谁”，口音承载的是“这人从哪来”。两者的数据来源必须一致：拿标准美音的音色去套南方口音，听感就像演员模仿得不到位——单字都对，整体不对。Hurston-1 这一类系统的思路，是直接用南方英语、非裔美国人英语的真实语料建模，而不是在标准音模型上做后处理；它具体覆盖哪些口音、怎么用，以官方页面为准。
韵律（prosody）是差异最集中的地方：元音拉长（drawl）、句尾音高走向、重音落点、语速与停顿的节奏感。音素再准，韵律不对也“不像”。
| 维度 | 标准音 TTS | 方言 TTS |
|---|---|---|
| 文本规范化 | 数字、缩写、符号读全称 | 还要处理方言词形与口语缩略 |
| 音色来源 | 通用朗读语料 | 方言母语者语料，音色与口音同源 |
| 韵律建模 | 中性、可懂优先 | 语调曲线、重音、语速都要贴合社群习惯 |
| 评估方式 | MOS 打分、可懂度 | 加母语者“地道度”偏好测试 |
和相邻概念的区别
口音转换（accent conversion）是把已有录音改成另一种口音，属于后处理；Dialect TTS 是从文本直接生成。多语言 TTS 处理的是不同语言，方言是同一语言内部的变体，词汇大部分重叠、分布不同。声音克隆（voice cloning）复制的是个体身份，方言建模复制的是群体发音习惯——两者可以叠加，但解决的问题不一样。
对从业者与普通人的意义
做产品的人要注意两点：数据采集得按社群分层，别用“标准音说话人模仿方言”的语料充数；评估不能只看可懂度，可懂和地道是两件事，得请方言母语者做偏好测试。同时口音合成有风险——可能被用来冒充他人，也可能把方言固化成刻板印象，授权、同意和使用边界要提前想清楚。
对普通职场人来说，意义很直接：有声书、客服语音、无障碍朗读、教育内容里，用户会希望“这个声音像我”“像我家里人会说的话”。过去只有“标准音才显得专业”这一个选项，本身就是一种偏见；方言 TTS 让“带口音”不再等于“不专业”。