diff --git a/docs/source/tts/quick_start_cn.md b/docs/source/tts/quick_start_cn.md
new file mode 100644
index 0000000000000000000000000000000000000000..7d4730612a4b4e2b37f77ee17303ae12166f5392
--- /dev/null
+++ b/docs/source/tts/quick_start_cn.md
@@ -0,0 +1,204 @@
+# 语音合成快速开始
+这些PaddleSpeech中的样例主要按数据集分类，我们主要使用的TTS数据集有：
+
+* CSMCS (普通话单发音人)
+* AISHELL3 (普通话多发音人)
+* LJSpeech (英文单发音人)
+* VCTK (英文多发音人)
+
+PaddleSpeech的TTS模型具有以下映射关系：
+
+* tts0 - Tactron2
+* tts1 - TransformerTTS
+* tts2 - SpeedySpeech
+* tts3 - FastSpeech2
+* voc0 - WaveFlow
+* voc1 - Parallel WaveGAN
+* voc2 - MelGAN
+* voc3 - MultiBand MelGAN
+* voc4 - Style MelGAN
+* voc5 - HiFiGAN
+* vc0 - Tactron2 Voice Clone with GE2E
+* vc1 - FastSpeech2 Voice Clone with GE2E
+
+## 快速开始
+
+让我们以 FastSpeech2 + Parallel WaveGAN 和 CSMSC 数据集 为例. [examples/csmsc](https://github.com/PaddlePaddle/PaddleSpeech/tree/develop/examples/csmsc)
+
+### 用CSMSC数据集训练Parallel WaveGAN
+
+- 进入目录
+    ```bash
+    cd examples/csmsc/voc1
+    ```
+- 设置环境变量
+    ```bash
+    source path.sh
+    ```
+    **在你开始做任何事情之前，必须先做这步**
+    将 `MAIN_ROOT` 设置为项目目录. 使用 `parallelwave_gan` 模型作为 `MODEL`.
+
+- 运行
+    ```bash
+    bash run.sh
+    ```
+    这只是一个演示，请确保源数据已经准备好，并且在下一个 `步骤` 之前每个 `步骤` 都运行正常.
+### 用CSMSC数据集训练FastSpeech2
+
+- 进入目录
+    ```bash
+    cd examples/csmsc/tts3
+    ```
+    
+- 设置环境变量
+    ```bash
+    source path.sh
+    ```
+    **在你开始做任何事情之前，必须先做这步**
+    将 `MAIN_ROOT` 设置为项目目录. 使用 `fastspeech2` 模型作为 `MODEL`.
+    
+- 运行
+    ```bash
+    bash run.sh
+    ```
+    这只是一个演示，请确保源数据已经准备好，并且在下一个 `步骤` 之前每个 `步骤` 都运行正常.
+
+`run.sh` 中主要包括以下步骤：
+
+- 设置路径。
+- 预处理数据集，
+- 训练模型。
+- 从`metadata.jsonl`中合成波形
+- 从文本文件合成波形。（在声学模型中）
+- 使用静态模型进行推理。（可选）
+
+有关更多详细信息，请参见examples中的`README.md`
+
+## TTS流水线
+本节介绍如何使用TTS提供的预训练模型，并对其进行推理。
+
+TTS中的预训练模型在压缩包中提供。将其解压缩以获得如下文件夹：
+**Acoustic Models:**
+
+```text
+checkpoint_name
+├── default.yaml
+├── snapshot_iter_*.pdz
+├── speech_stats.npy
+├── phone_id_map.txt
+├── spk_id_map.txt (optimal)
+└── tone_id_map.txt (optimal)
+```
+**Vocoders:**
+```text
+checkpoint_name
+├── default.yaml  
+├── snapshot_iter_*.pdz
+└── stats.npy  
+```
+- `default.yaml` 存储用于训练模型的配置。
+- `snapshot_iter_*.pdz` 是检查点文件，其中`*`是它经过训练的步骤。
+- `*_stats.npy` 是特征的统计文件，如果它在训练前已被标准化。
+- `phone_id_map.txt` 是音素到音素ID的映射关系。
+- `tone_id_map.txt` 是在训练声学模型之前分割音调和拼音时，音调到音调ID的映射关系。（例如在csmsc/speedyspeech的示例中）
+- `spk_id_map.txt` 是多speaker声学模型中speaker到spk_ids的映射关系。
+
+下面的示例代码显示了如何使用模型进行预测。
+### Acoustic Models声学模型（文本到频谱图）
+下面的代码显示了如何使用“FastSpeech2”模型。加载预训练模型后，使用它和normalizer对象构建预测对象，然后使用`fastspeech2_inferencet(phone_ids)`生成频谱图，频谱图可进一步用于使用声码器合成原始音频。
+
+```python
+from pathlib import Path
+import numpy as np
+import paddle
+import yaml
+from yacs.config import CfgNode
+from paddlespeech.t2s.models.fastspeech2 import FastSpeech2
+from paddlespeech.t2s.models.fastspeech2 import FastSpeech2Inference
+from paddlespeech.t2s.modules.normalizer import ZScore
+# examples/fastspeech2/baker/frontend.py
+from frontend import Frontend
+
+# 加载预训练模型
+checkpoint_dir = Path("fastspeech2_nosil_baker_ckpt_0.4")
+with open(checkpoint_dir / "phone_id_map.txt", "r") as f:
+    phn_id = [line.strip().split() for line in f.readlines()]
+vocab_size = len(phn_id)
+with open(checkpoint_dir / "default.yaml") as f:
+    fastspeech2_config = CfgNode(yaml.safe_load(f))
+odim = fastspeech2_config.n_mels
+model = FastSpeech2(
+    idim=vocab_size, odim=odim, **fastspeech2_config["model"])
+model.set_state_dict(
+    paddle.load(args.fastspeech2_checkpoint)["main_params"])
+model.eval()
+
+# 加载特征文件
+stat = np.load(checkpoint_dir / "speech_stats.npy")
+mu, std = stat
+mu = paddle.to_tensor(mu)
+std = paddle.to_tensor(std)
+fastspeech2_normalizer = ZScore(mu, std)
+
+# 构建预测对象
+fastspeech2_inference = FastSpeech2Inference(fastspeech2_normalizer, model)
+
+# load Chinese Frontend
+frontend = Frontend(checkpoint_dir / "phone_id_map.txt")
+
+# 构建一个中文前端
+sentence = "你好吗？"
+input_ids = frontend.get_input_ids(sentence, merge_sentences=True)
+phone_ids = input_ids["phone_ids"]
+flags = 0
+# 构建预测对象加载中文前端，对中文文本前端的输出进行分段
+for part_phone_ids in phone_ids:
+    with paddle.no_grad():
+        temp_mel = fastspeech2_inference(part_phone_ids)
+        if flags == 0:
+            mel = temp_mel
+            flags = 1
+        else:
+            mel = paddle.concat([mel, temp_mel])
+```
+
+### Vcoder声码器（谱图到波形）
+下面的代码显示了如何使用` Parallel WaveGAN` 模型。像上面的例子一样，加载预训练模型后，使用它和normalizer对象构建预测对象，然后使用 `pwg_inference(mel)`生成原始音频（wav格式）。
+
+```python
+from pathlib import Path
+import numpy as np
+import paddle
+import soundfile as sf
+import yaml
+from yacs.config import CfgNode
+from paddlespeech.t2s.models.parallel_wavegan import PWGGenerator
+from paddlespeech.t2s.models.parallel_wavegan import PWGInference
+from paddlespeech.t2s.modules.normalizer import ZScore
+
+# 加载预训练模型
+checkpoint_dir = Path("parallel_wavegan_baker_ckpt_0.4")
+with open(checkpoint_dir / "pwg_default.yaml") as f:
+    pwg_config = CfgNode(yaml.safe_load(f))
+vocoder = PWGGenerator(**pwg_config["generator_params"])
+vocoder.set_state_dict(paddle.load(args.pwg_params))
+vocoder.remove_weight_norm()
+vocoder.eval()
+
+# 加载特征文件
+stat = np.load(checkpoint_dir / "pwg_stats.npy")
+mu, std = stat
+mu = paddle.to_tensor(mu)
+std = paddle.to_tensor(std)
+pwg_normalizer = ZScore(mu, std)
+
+# 加载预训练模型构造预测对象
+pwg_inference = PWGInference(pwg_normalizer, vocoder)
+
+# 频谱图到波形
+wav = pwg_inference(mel)
+sf.write(
+        audio_path,
+        wav.numpy(),
+        samplerate=fastspeech2_config.fs)
+```
\ No newline at end of file