語音合成和語音識別技術是實現人機語音交流，建立具有聽說能力的口語語言系統所必需的兩項關鍵技術。讓計算機擁有和人壹樣的說話能力，是信息產業重要的競爭市場。相比語音識別，語音合成的技術相對成熟，已經開始成功走向產業化，大規模應用指日可待。
語音合成又稱為文本到語音技術，涉及聲學、語言學、數字信號處理、計算機科學等多個學科。是中文信息處理領域的前沿技術。要解決的主要問題是如何將文本信息轉換成可聽見的聲音信息，即讓機器像人壹樣說話。我們所說的“讓機器像人壹樣說話”，與傳統的聲音播放設備(系統)有著本質的區別。傳統的聲音回放設備(系統)，如錄音機，通過預先錄制聲音，然後回放來實現“讓機器說話”。這種方式在內容、存儲、傳輸、便捷性、時效性等方面都有很大的局限性。而通過計算機語音合成，任何文本都可以隨時轉換成高自然度的語音，從而真正讓機器“像人壹樣說話”。
文本到語音轉換系統實際上可以看作是壹個人工智能系統。要想合成出高質量的語言，除了依靠各種規則，包括語義規則、詞匯規則、語音規則，還必須對單詞的內容有很好的理解，這也涉及到對自然語言的理解。下圖顯示了文本到語音轉換系統的完整示意圖。文語轉換的過程是先將文本序列轉換成音韻序列，然後系統根據音韻序列生成語音波形。第壹步涉及語言處理，如分詞和語音轉換，以及壹套有效的韻律控制規則；第二步需要先進的語音合成技術，可以根據需要實時合成高質量的語音流。因此，壹般來說，文語轉換系統需要壹套復雜的從文本序列到音素序列的轉換程序，也就是說，文語轉換系統不僅要應用數字信號處理技術，還要有大量語言學知識的支持。