使用者36895916996727112020-01-05 12:02:01TTS就是Text To Speech，文字轉語音，文字朗讀，差不多是一個意思。在語音系統開發中經常要用到。 目前市場上的TTS很多，實現方式也各式各樣，有的很昂貴，如科大訊飛，據說當初得到863計劃的資助，有很高的技術；有的相對便宜，如捷通華聲， InfoTalk；也有免費的，如微軟的TTS產品。 相對於ASR（Automatic Speech Recognition，自動語音識別）來說，實現一個TTS產品所需要的技術難度不算大，在我看來也就是個力氣活。 要是讓我們來做一個能夠把漢語句子朗讀出來的TTS，我們會怎麼做呢？ 有一種最簡單的TTS，就是把每個字都念出來，你會問，豈不要錄製6千多個漢字的語音？幸運的是，漢語的音節很少，很多同音字。我們最多隻是需要錄製： 聲母數×韻母數×4，（其實不是每個讀音都有4聲），這樣算來，最多隻需要錄製幾百個語音就可以了。 在合成的時候需要一張漢字對應拼音的對照表，漢字拼音輸入法也依賴這張表，可以在網上找到，不過通常沒有4聲音調，大不了自己加上，呵呵，要不怎麼說是力氣活呢。 這樣做出來的TTS效果也還可以，特別是朗讀一些沒有特別含義的如姓名，家庭住址，股票程式碼等漢語句子，聽起來足夠清晰。這要歸功於我們偉大的母語通常都是單音節，從古代的時候開始，每個漢字就有一個詞，表達一個意思。而且漢字不同於英語，英語裡面很多連讀，音調節奏變化很大，漢字就簡單多了。 當然，你仍然要處理一些細節，比如多音字，把“銀行”讀成“yin xing”就不對了；再比如，標點符號的處理，數字、字母的處理，這些問題對於寫過很多程式的你，當然不難了。 國內的一些語音板卡帶的TTS，不管是賣錢的還是免費的，大體都是這樣做出來的，也就是這樣的效果。 如果要把TTS的效果弄好一點，再來點力氣活，把基本的詞錄製成語音，如常見的兩字詞，四字成語等，再做個詞庫和語音庫的對照表，每次需要合成時到詞庫裡面找。這樣以詞為單位，比以字為單位，效果自然是好多了。當然，這裡面還是有個技術，就是分詞的技術，要把複雜的句子斷成合理的詞序列，也有點技術。這也要怪新文化那些先驅們，當初倡導白話文，引進西文的橫排格式、標點符號的時候，沒有引進西文中的空格分詞。不過即使分詞演算法那麼不高效，不那麼準確，也問題不大，如前面所說，漢字是單音節詞，把聲音合起來，大體上不會有錯。 至於增加一些銜接處的“詞料”，弄一些修飾性的音調，我認為是無關緊要的，對整體的效果改進不是太大。 市面上商品化TTS一般還支援粵語，請個粵語播音員錄音，把上面的力氣活重做一遍就是了。 再說句題外話，很多人覺得錄音最好找電臺、電視臺的播音員，其實找個你周圍的女同事來錄製，只要吐字清晰就可以了。在某種情況下，尋常聲音比字正腔圓的新聞聯播來得可愛。 再來說說文字的標識，對於複雜文字，某些內容程式沒有辦法處理，需要標識出來。比如，單純的數字“128”，是應該念成“一百二十八”還是“一二八”？解決辦法通常是加入XML標註，如微軟的TTS：“”念成“一百二十八”，“”將念成“一二八”。TTS引擎可以去解釋這些標註。遺憾的是，語音XML標註並沒有形成大家都完全認可的標準，基本上是各自一套。 再說說TTS應用程式設計，微軟的TTS程式設計介面叫SAPI，是COM介面，開發起來還是有點麻煩，還好MSDN的網站上資料很全面。微軟的TTS雖然免費，但其中文角色目前是個男聲，聲音略嫌混濁，感覺不爽。 國內一般的廠家提供API呼叫介面，相對比較簡單，可以方便地嵌入應用程式中去。 商品化的TTS還有個併發許可限制，就是限制同時合成的併發執行緒數，我覺得這個限制用處不大。無論哪種TTS，都可以將文字檔案轉換成語音檔案，供語音卡播放。大部分應用句子比較短小，一般不會超過100個漢字，合成的時間是非常短的，弄個執行緒專門負責合成，其它應用向該執行緒請求就是了，萬一句子很長，把它分解成多個短句子就是了，播放的速度總是比合成的速度慢。 也很多應用是離線合成，沒有實時性要求，就更不必買多個許可了。 更多情況下，我們甚至沒有必要購買TTS，比如語音開發中常見的費用催繳，撥通後播放：“尊敬的客戶，您本月的費用是：212元”，前面部分對所有客戶都一樣，錄一個語音檔案就是了，而數字的合成是很簡單的，你只要錄製好10個數字語音，再加上十，百，千，萬，再加上金錢的單位“元”。垍頭條萊
