2000 年以后，研究者提出了基于统计模型的语音合成方法。与拼接法保留原始录音片段不同，统计合成法将语料库中每个音素的语音片段"总结"成一个称为隐马尔可夫模型（HMM）的统计模型。在前一节中讨论过，HMM 模型可以描述发音的动态过程，因此可以用来合成声音。具体而言，首先用 HMM 模型生成每个音素的声门和声道的参数，再利用声码器（源-滤波模型）从这些参数合成语音。如图 30.9所示，对每个音素（"n""i""h""ao"）分别建立 HMM 模型，利用这些模型生成声门和声道参数，再通过声码器读取这些参数并合成语音。
统计模型的一个优势在于其可扩展性。通过调整模型参数，合成系统可以改变发音的特性。例如，只需少量训练数据就可以让模型模拟不同人的声音，或调整语音的情感表现。
然而，HMM 学习的是声音的平均特性，无法模拟真实语音中丰富的动态特性。因此，基于HMM 生成的语音通常较为平滑，缺乏真实语音的动态感。
统计合成法示意图