2017年，google提出Tacotron模型，该模型包括声学模型和声码器两部分，从文本直接生成音频波形。其中，声学模型部分采取encoder-attention-decoder框架，以RNN作为主要网络结构。此后，在Tacotron的基础上，产生了Tacotron2，DurIAN，Non-Attentive Tacotron，Parallel Tacotron1/2等变体。本文对Tacotron系列的声学模型进行介绍。

Deep Voice1/2基于传统SPSS流水线，用CNN进行增强。Deep Voice3采用encoder-attention-decoder 的结构，和Tacotron整体结构类似，但采用CNN而不是RNN作为主体网络。 本文对Deep Voice，Deep Voice2，Deep Voice3进行介绍。