自動語音識別

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

目前市場上的TTS很多，實現(xiàn)方式也各式各樣，有的很昂貴，如科大訊飛，據(jù)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(chǎn)品。

相對于ASR(Automatic Speech Recognition，自動語音識別)來說，實現(xiàn)一個TTS產(chǎn)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，我們會怎么做呢?

有一種最簡單的TTS，就是把每個字都念出來，你會問，豈不要錄制6千多個漢字的語音?幸運的是，漢語的音節(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，(其實不是每個讀音都有4聲)，這樣算來，最多只需要錄制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(wǎng)上找到，不過通常沒有4聲音調(diào)，大不了自己加上，呵呵，要不怎么說是力氣活呢。

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，股票代碼等漢語句子，聽起來足夠清晰。這要歸功于我們偉大的母語通常都是單音節(jié)，從古代的時候開始，每個漢字就有一個詞，表達一個意思。而且漢字不同于英語，英語里面很多連讀，音調(diào)節(jié)奏變化很大，漢字就簡單多了。

當然，你仍然要處理一些細節(jié)，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(shù)字、字母的處理，這些問題對于寫過很多程序的你，當然不難了。

國內(nèi)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，把基本的詞錄制成語音，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。當然，這里面還是有個技術，就是分詞的技術，要把復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(qū)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。不過即使分詞算法那么不高效，不那么準確，也問題不大，如前面所說，漢字是單音節(jié)詞，把聲音合起來，大體上不會有錯。

當然，科大訊飛的力氣活又干的多了些，據(jù)說已經(jīng)進化到以常用句子為單位來錄音了，大家可以想像，這要耗費更多的力氣，換來更好的效果。

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一般還支持粵語，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)播來得可愛。

再來說說文本的標識，對于復雜文本，某些內(nèi)容程序沒有辦法處理，需要標識出來。比如，單純的數(shù)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注。遺憾的是，語音XML標注并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應用編程，微軟的TTS編程接口叫SAPI，是COM接口，開發(fā)起來還是有點麻煩，還好MSDN的網(wǎng)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(nèi)一般的廠家提供API調(diào)用接口，相對比較簡單，可以方便地嵌入應用程序中去。

商品化的TTS還有個并發(fā)許可限制，就是限制同時合成的并發(fā)線程數(shù)，我覺得這個限制用處不大。無論哪種TTS，都可以將文本文件轉(zhuǎn)換成語音文件，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，弄個線程專門負責合成，其它應用向該線程請求就是了，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。

也很多應用是脫機合成，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(fā)中常見的費用催繳，撥通后播放:"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，錄一個語音文件就是了，而數(shù)字的合成是很簡單的，你只要錄制好10個數(shù)字語音，再加上十，百，千，萬，再加上金錢的單位"元"。