TTS443不銹鋼

TTS文語(yǔ)轉(zhuǎn)換用途很廣，包括電子郵件的閱讀、IVR系統(tǒng)的語(yǔ)音提示等等，目前IVR系統(tǒng)已廣泛應(yīng)用于各個(gè)行業(yè)(如電信、交通運(yùn)輸?shù)?。

TTS所用的關(guān)鍵技術(shù)就是語(yǔ)音合成(SpeechSynthesis)。早期的TTS一般采用專用的芯片實(shí)現(xiàn)，如德州儀器公司的TMS50C10/TMS50C57、飛利浦的PH84H36等，但主要用在家用電器或兒童玩具中。

而基于微機(jī)應(yīng)用的TTS一般用純軟件實(shí)現(xiàn)，主要包括以下幾部分:

●文本分析-對(duì)輸入文本進(jìn)行語(yǔ)言學(xué)分析，逐句進(jìn)行詞匯的、語(yǔ)法的和語(yǔ)義的分析，以確定句子的低層結(jié)構(gòu)和每個(gè)字的音素的組成，包括文本的斷句、字詞切分、多音字的處理、數(shù)字的處理、縮略語(yǔ)的處理等。

●語(yǔ)音合成-把處理好的文本所對(duì)應(yīng)的單字或短語(yǔ)從語(yǔ)音合成庫(kù)中提取，把語(yǔ)言學(xué)描述轉(zhuǎn)化成言語(yǔ)波形。

●韻律處理-合成音質(zhì)(Qualityof Synthetic Speech)是指語(yǔ)音合成系統(tǒng)所輸出的語(yǔ)音的質(zhì)量，一般從清晰度(或可懂度)、自然度和連貫性等方面進(jìn)行主觀評(píng)價(jià)。清晰度是正確聽辨有意義詞語(yǔ)的百分率;自然度用來(lái)評(píng)價(jià)合成語(yǔ)音音質(zhì)是否接近人說(shuō)話的聲音，合成詞語(yǔ)的語(yǔ)調(diào)是否自然; 連貫性用來(lái)評(píng)價(jià)合成語(yǔ)句是否流暢。

要合成出高質(zhì)量的語(yǔ)音，所采用的算法是極為復(fù)雜的，因此對(duì)機(jī)器的要求也非常高。算法的復(fù)雜度決定了目前微機(jī)并發(fā)進(jìn)行多通道TTS的系統(tǒng)容量。

TTS在CTI的應(yīng)用中的基本構(gòu)架

在一般的CTI應(yīng)用系統(tǒng)中，都會(huì)有IVR(交互式語(yǔ)音應(yīng)答系統(tǒng))。IVR系統(tǒng)是呼叫中心的重要組成部分，通過(guò)IVR系統(tǒng)，用戶可以利用音頻按健電話輸入信息，從系統(tǒng)中獲得預(yù)先錄制的數(shù)字或合成語(yǔ)音信息。具有TTS功能的IVR可以加快服務(wù)速度，節(jié)約服務(wù)成本，使IVR為呼叫者提供7*24小時(shí)的服務(wù)。

目前常見的IVR系統(tǒng)大都是通用的工控機(jī)平臺(tái)上插入語(yǔ)音板卡組成，并支持中文語(yǔ)音合成TTS等技術(shù)。

一個(gè)典型的包含TTS服務(wù)的電話服務(wù)流程可分為:

用戶電話撥入，系統(tǒng)IVR響應(yīng)，獲得用戶按鍵等信息。

IVR根據(jù)用戶的按鍵信息，向數(shù)據(jù)庫(kù)服務(wù)器申請(qǐng)相關(guān)數(shù)據(jù)。

數(shù)據(jù)庫(kù)服務(wù)器返回文本數(shù)據(jù)給IVR。

IVR通過(guò)其TCP通訊接口，將需要合成的文本信息發(fā)送給TTS服務(wù)器。

TTS服務(wù)器將用戶文本合成的語(yǔ)音數(shù)據(jù)分段通過(guò)TCP通訊接口發(fā)送給IVR服務(wù)器。

IVR服務(wù)器把分段語(yǔ)音數(shù)據(jù)組裝成為獨(dú)立的語(yǔ)音文件。

IVR播放相應(yīng)的語(yǔ)音文件給電話用戶。

一般的公網(wǎng)接入(IVR)大都采用工控機(jī)+語(yǔ)音板卡，而合成的語(yǔ)音數(shù)據(jù)則通過(guò)局域網(wǎng)傳給IVR。這種結(jié)構(gòu)只適用于簡(jiǎn)單的應(yīng)用場(chǎng)合。

TTS就是Text To Speech，文本轉(zhuǎn)語(yǔ)音，文本朗讀，差不多是一個(gè)意思。在語(yǔ)音系統(tǒng)開發(fā)中經(jīng)常要用到。

目前市場(chǎng)上的TTS很多，實(shí)現(xiàn)方式也各式各樣，有的很昂貴，如科大訊飛，據(jù)說(shuō)當(dāng)初得到863計(jì)劃的資助，有很高的技術(shù);有的相對(duì)便宜，如捷通華聲, InfoTalk;也有免費(fèi)的，如微軟的TTS產(chǎn)品。

相對(duì)于ASR(Automatic Speech Recognition，自動(dòng)語(yǔ)音識(shí)別)來(lái)說(shuō)，實(shí)現(xiàn)一個(gè)TTS產(chǎn)品所需要的技術(shù)難度不算大，在我看來(lái)也就是個(gè)力氣活。

要是讓我們來(lái)做一個(gè)能夠把漢語(yǔ)句子朗讀出來(lái)的TTS，我們會(huì)怎么做呢?

有一種最簡(jiǎn)單的TTS，就是把每個(gè)字都念出來(lái)，你會(huì)問(wèn)，豈不要錄制6千多個(gè)漢字的語(yǔ)音?幸運(yùn)的是，漢語(yǔ)的音節(jié)很少，很多同音字。我們最多只是需要錄制: 聲母數(shù)×韻母數(shù)×4，(其實(shí)不是每個(gè)讀音都有4聲)，這樣算來(lái)，最多只需要錄制幾百個(gè)語(yǔ)音就可以了。

在合成的時(shí)候需要一張漢字對(duì)應(yīng)拼音的對(duì)照表，漢字拼音輸入法也依賴這張表，可以在網(wǎng)上找到，不過(guò)通常沒(méi)有4聲音調(diào)，大不了自己加上，呵呵，要不怎么說(shuō)是力氣活呢。

這樣做出來(lái)的TTS效果也還可以，特別是朗讀一些沒(méi)有特別含義的如姓名，家庭住址，股票代碼等漢語(yǔ)句子，聽起來(lái)足夠清晰。這要?dú)w功于我們偉大的母語(yǔ)通常都是單音節(jié)，從古代的時(shí)候開始，每個(gè)漢字就有一個(gè)詞，表達(dá)一個(gè)意思。而且漢字不同于英語(yǔ)，英語(yǔ)里面很多連讀，音調(diào)節(jié)奏變化很大，漢字就簡(jiǎn)單多了。

當(dāng)然，你仍然要處理一些細(xì)節(jié)，比如多音字，把"銀行"讀成"yin xing"就不對(duì)了;再比如，標(biāo)點(diǎn)符號(hào)的處理，數(shù)字、字母的處理，這些問(wèn)題對(duì)于寫過(guò)很多程序的你，當(dāng)然不難了。

國(guó)內(nèi)的一些語(yǔ)音板卡帶的TTS，不管是賣錢的還是免費(fèi)的，大體都是這樣做出來(lái)的，也就是這樣的效果。

如果要把TTS的效果弄好一點(diǎn)，再來(lái)點(diǎn)力氣活，把基本的詞錄制成語(yǔ)音，如常見的兩字詞，四字成語(yǔ)等，再做個(gè)詞庫(kù)和語(yǔ)音庫(kù)的對(duì)照表，每次需要合成時(shí)到詞庫(kù)里面找。這樣以詞為單位，比以字為單位，效果自然是好多了。當(dāng)然，這里面還是有個(gè)技術(shù)，就是分詞的技術(shù)，要把復(fù)雜的句子斷成合理的詞序列，也有點(diǎn)技術(shù)。這也要怪新文化那些先驅(qū)們，當(dāng)初倡導(dǎo)白話文，引進(jìn)西文的橫排格式、標(biāo)點(diǎn)符號(hào)的時(shí)候，沒(méi)有引進(jìn)西文中的空格分詞。不過(guò)即使分詞算法那么不高效，不那么準(zhǔn)確，也問(wèn)題不大，如前面所說(shuō)，漢字是單音節(jié)詞，把聲音合起來(lái)，大體上不會(huì)有錯(cuò)。

當(dāng)然，科大訊飛的力氣活又干的多了些，據(jù)說(shuō)已經(jīng)進(jìn)化到以常用句子為單位來(lái)錄音了，大家可以想像，這要耗費(fèi)更多的力氣，換來(lái)更好的效果。

至于增加一些銜接處的"詞料"，弄一些修飾性的音調(diào)，我認(rèn)為是無(wú)關(guān)緊要的，對(duì)整體的效果改進(jìn)不是太大。

市面上商品化TTS一般還支持粵語(yǔ)，請(qǐng)個(gè)粵語(yǔ)播音員錄音，把上面的力氣活重做一遍就是了。

再說(shuō)句題外話，很多人覺(jué)得錄音最好找電臺(tái)、電視臺(tái)的播音員，其實(shí)找個(gè)你周圍的女同事來(lái)錄制，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(lián)播來(lái)得可愛。

再來(lái)說(shuō)說(shuō)文本的標(biāo)識(shí)，對(duì)于復(fù)雜文本，某些內(nèi)容程序沒(méi)有辦法處理，需要標(biāo)識(shí)出來(lái)。比如，單純的數(shù)字"128"，是應(yīng)該念成"一百二十八"還是"一二八"?解決辦法通常是加入XML標(biāo)注，如微軟的TTS:"<context ID = "number_cardinal">128</context>"念成"一百二十八"，"<context ID = "number_digit">128</context>"將念成"一二八"。TTS引擎可以去解釋這些標(biāo)注。遺憾的是，語(yǔ)音XML標(biāo)注并沒(méi)有形成大家都完全認(rèn)可的標(biāo)準(zhǔn)，基本上是各自一套。

再說(shuō)說(shuō)TTS應(yīng)用編程，微軟的TTS編程接口叫SAPI，是COM接口，開發(fā)起來(lái)還是有點(diǎn)麻煩，還好MSDN的網(wǎng)站上資料很全面。微軟的TTS雖然免費(fèi)，但其中文角色目前是個(gè)男聲，聲音略嫌混濁，感覺(jué)不爽。

國(guó)內(nèi)一般的廠家提供API調(diào)用接口，相對(duì)比較簡(jiǎn)單，可以方便地嵌入應(yīng)用程序中去。

商品化的TTS還有個(gè)并發(fā)許可限制，就是限制同時(shí)合成的并發(fā)線程數(shù)，我覺(jué)得這個(gè)限制用處不大。無(wú)論哪種TTS，都可以將文本文件轉(zhuǎn)換成語(yǔ)音文件，供語(yǔ)音卡播放。大部分應(yīng)用句子比較短小，一般不會(huì)超過(guò)100個(gè)漢字，合成的時(shí)間是非常短的，弄個(gè)線程專門負(fù)責(zé)合成，其它應(yīng)用向該線程請(qǐng)求就是了，萬(wàn)一句子很長(zhǎng)，把它分解成多個(gè)短句子就是了，播放的速度總是比合成的速度慢。

也很多應(yīng)用是脫機(jī)合成，沒(méi)有實(shí)時(shí)性要求，就更不必買多個(gè)許可了。

更多情況下，我們甚至沒(méi)有必要購(gòu)買TTS，比如語(yǔ)音開發(fā)中常見的費(fèi)用催繳，撥通后播放:"尊敬的客戶，您本月的費(fèi)用是:212元"，前面部分對(duì)所有客戶都一樣，錄一個(gè)語(yǔ)音文件就是了，而數(shù)字的合成是很簡(jiǎn)單的，你只要錄制好10個(gè)數(shù)字語(yǔ)音，再加上十，百，千，萬(wàn)，再加上金錢的單位"元"。

錄音功能 支持

OTG功能 支持

揚(yáng)聲器 支持

遙控功能 支持

其他描述 支持語(yǔ)音電子書詞典，TTS朗讀，日歷(有農(nóng)歷顯示)，時(shí)鐘，相冊(cè)瀏覽，計(jì)算器等功能