传统语音合成技术（TTS）通常依赖多阶段流水线，包括文本分析、声学模型生成、声码器合成等环节，各模块独立优化导致误差累积，且计算资源消耗大。端到端语音合成技术通过统一神经网络架构，直接将文本映射为语音波形，简化了流程并提升了效率，成为当前研究的核心方向。

架构优化：从“模块拼接”到“全局协同”
端到端模型（如Tacotron、FastSpeech）通过自注意力机制与残差连接，实现文本特征与语音特征的深度融合。例如，FastSpeech 2引入时长预测与音高建模模块，解决了传统模型中音素时长依赖外部对齐工具的问题，使合成语音更自然流畅。此外，非自回归架构的兴起（如VITS）通过并行计算加速推理，将实时率提升至0.1倍以内，满足低延迟场景需求。

计算效率提升：从“算力依赖”到“轻量化部署”
为降低模型计算成本，研究者通过知识蒸馏、量化压缩等技术优化端到端模型。例如，MobileTTS将模型参数量压缩至5MB以下，可在移动端实时运行；而基于Transformer的轻量化变体（如LightSpeech）通过稀疏注意力机制，将推理速度提升3倍，同时保持音质。此外，硬件加速（如GPU/TPU并行计算）与算法优化（如混合精度训练）进一步缩短了训练与推理时间。