合成软件分两大类，一类是生成语音的，比如把文章念出来变声音；另一类是生成图片或视频的，比如把文字转成卡通动画。这两类软件解决的问题不一样，一个让机器会说话，一个让机器会画画。

为什么这样分呢？因为这两类软件的技术原理和用户需求完全不同。语音合成主要依赖声学模型和发音参数，像微软Azure的语音合成服务就能把文字转成不同口音的语音，前年全球市场规模已达15亿元。而图像生成用的是扩散模型和风格迁移技术，比如Stable Diffusion能让用户输入“一只穿西装的熊猫”就能生成图片，这类软件用户增长率在2022到前年之间达到了120%。虽然两类都叫合成软件，但一个主要处理声音数据，一个处理视觉数据，就像手机里的计算器和小视频剪辑功能不能混为一谈一样。