[ 路丁前言 ] 今日给大伙儿产生一篇看起来很无聊，实际上也的确很无聊的文章内容，聊一聊TTS：Text to speech（从文字到語言）。
仅仅今日老师傅聊了一会以后，Chris却几乎都并不是一个只为一知半解的朋友，因此，科学研究了一会，要想把这个看起来跟技术性关系较为密不可分的定义用最通俗化的語言给大伙说说，万一将来遇到了呢。
实际上，最开始触碰，换句话说就应当了解TTS应该是两年前。
那时Chris来到众所周知的一家企业，哪个步步高点读机哪儿不容易点哪儿工作中了一段时间，那时候，触碰来到內容制做层面的专业知识，并且亲身制做了几本书英语教材内容书的內容。那时候沒有如今那样喜爱小结，因此，流于办事而办事，沒有过多自身搭起來的知识框架，较为乱（尽管如今都没有知识框架也太乱，哈哈哈哈哈）
第一次听见TTS应该是在2020年4月份的情况下。
来到去哪，企业的平台交易TTS（Total solution）就是这个姓名。说这一姓名，估算大伙儿還是懵圈，总体解决方法？代表什么意思？
掌握过的朋友都了解，去哪是较大 的汉语度假旅游搜索平台，说白了，要为客户出示价钱较为，让客户挑选最划算、最方便快捷、最安全性的服务项目和商品。那麼一个关键的那么问题来了，中国各省有那么多酒店餐厅、飞机票、旅游商品地区代理、旗靓店，假如都跟去哪协作得话，客户在去哪上边较为了价钱，点击购买，一定要确保客户体验达到最好，提升选购步骤，确保在其中的安全系数和便利性。因此，平台交易TTS（Total solution）总体解决方法这一系统软件就出来，统一了全部第三方平台的管理方法，这一服务平台也提升了去哪对各种地区代理的决策权。
说去哪这一段，仅仅想告知大伙儿一个客观事实：许多事儿，大家都了解，可是，沒有升高到基础理论层级，换句话说沒有构建自身的知识框架，因此，当讲出tts的情况下，就懵圈了，实际上身后的事儿，你是了解的。（实际上，我是之后才知道，因此，努力吧，骚年们～）
大破冲霄楼。
今日说的TTS是text to speech，从文字到語言，文本转语音，文本朗读，类似是一个含意。在智能语音系统开发设计中常常要采用。
还记得有一次，打了了一辆Uber，在车里，坚信大家都听见过一句：“百度地图导航将不断为您导航栏”。那时候，我也傻叉一样问了同行业的小伙伴，这一讲话的女音，是专业请人视频录制的吗？（做为在百度待过的，觉得侮辱十分）。
先说tts的主要用途，让大伙儿有点儿定义。
这儿，又要涉及到2个个定义：CTI和IVR。
CTI技术性从电子计算机通讯集成化（Computer Telephony Integration）发展趋势而成，最开始是想将电子信息技术运用到电话系统中，可以全自动地对电話中的信令信息内容开展鉴别解决，并根据创建相关得话路联接，而向客户传输预订的录音文件、接转来话等。而到现在，CTI技术性早已发展趋势成“电子计算机电信网集成化”技术性(Computer Telecommunication Integration)，即在其中的“T”早已发展趋势成“Telecommunication”，这代表着现阶段的CTI技术性不但要解决传统式的电話视频语音，并且要解决包含发传真、电子邮箱等其他方式的信息内容新闻媒体。
在CTI技术性中饰演关键人物角色的便是IVR技术。
IVR（Interactive Voice Response），互动型视频语音回复。这一定义会让大伙儿对tts恍然大悟。
IVR：只需要用电話就可以进到服务站，能够依据操作提示接听手机娱乐商品，还可以依据客户键入的內容播发相关的信息内容。最普遍的业务流程有：视频语音ktv点歌、视频语音交友聊天、客户服务中心。IVR另一关键运用是在客服中心中，分成外置和后置摄像头，外置IVR是视频语音先进到IVR解决，在没法处理顾客难题的状况下能转到人工服务座席。后置摄像头IVR就是指IVR与人工服务座席处于均衡的部位，人工服务不能满足顾客入话时转IVR，主要是以便拖时间或个性化服务。
不久说的IVR也就是tts的一个象征性主要用途。
现阶段销售市场上的TTS许多，完成方法也各种各样，有的很价格昂贵，如科大讯飞，听说当时获得863计划的支助，有很高的技术性；有的相对性划算，如捷通华声, InfoTalk；也是有完全免费的，如微软公司的TTS商品。
这儿贴一张TTS技术路线图：
图上区划出了三个一部分：数据信息适用、TTS核心、外界运用。
数据信息适用一部分包含：英语的语法知识库系统、视频语音词库、英语的语法字典。这儿，今天我跟老师傅沟通交流了一下，随后看过大家企业的词库后台管理，懂了，数据信息适用一部分便是根据当然爬取和人工录入的方法，将必须音标发音的文本准备好。
外界应用当然便是客户手机客户端恳求以后的回应了。
重中之重是TTS核心的三个一部分：
文本分析：对键入文字开展应用语言学剖析，逐字逐句开展语汇的、英语的语法的和词义的剖析，以明确语句的矮层构造和每一个字的语素的构成，包含文字的断句、词语分割、多音字组词的解决、数据的解决、缩略语的解决等。
语音识别：把解决好的文字所相匹配的一个字或语句从语音识别库文件获取，把应用语言学叙述转换成语言波型。
律动转化成：就是指语音识别系统软件所輸出的视频语音的品质，一般从画面质量(或可懂度)、当然度和衔接性等层面开展主观性点评。画面质量是恰当听辨更有意义词句的百分比；当然度用于点评生成视频语音音色是不是贴近人讲话的响声，生成词句的语气是不是当然； 衔接性用于点评生成句子是不是顺畅。
要生成出高品质的视频语音，所选用的优化算法是极其繁杂的，因而对设备的规定也十分高。优化算法的复杂性决策了现阶段微型机高并发开展多路TTS的系统软件容积。这一部分也是较难的。
相对性于ASR（Automatic Speech Recognition，全自动语音识别技术）而言，完成一个TTS商品所必须的技术水平算不上大，我认为也就是个重活。
如果使我们来做一个可以把中文语句诵读出去的TTS，大家会怎么做呢？
有一种非常简单的TTS，便是把每一个字都念出去，你能问，岂不必视频录制6千多个中国汉字的视频语音？幸运的是，中文的声调非常少，许多多音字。大家数最多仅仅必须视频录制： 拼音声母数×鼻韵母数×4，（实际上并不是每一个字读音都是有4声），那样算来，最多个必须视频录制几十个视频语音就可以了。
在生成的情况下必须一张中国汉字相匹配拼音字母的一览表，中国汉字拼音输入也依靠这张表，能够在网络上寻找，但是一般沒有4响声调，了不起自身再加，呵呵呵，要不太说成重活呢。
那样做出去的TTS实际效果也还能够，非常是诵读一些沒有非常含意的如名字，住址，股票号等中文语句，听起来充足清楚。这要得益于大家杰出的汉语一般全是单音节，从古时候的情况下刚开始，每一个中国汉字就有一个词，表述一个含意。并且中国汉字不同于英语，英文里边许多连读，声调节奏感发生变化，中国汉字就简易多了。
自然，你依然要解决一些关键点，例如多音字组词，把“金融机构”读成“yin xing”也不没错；再例如，标点的解决，数据、英文字母的解决，这种难题针对写过许多程序流程的你，自然不会太难了。
中国的一些视频语音主控板带的TTS，无论是赚钱的還是完全免费的，大致全是那样做出去的，也就这样的实际效果。
假如要把TTS的实际效果弄好一点，再来个重活，把基础的词视频录制成视频语音，如普遍的两字词，四字成语等，再做下词典和语音库的一览表，每一次必须生成时到词典里边找。那样以词为企业，比以字为企业，实际效果当然是许多了。自然，这里边還是有一个技术性，便是词性标注的技术性，要把繁杂的语句断成有效的词编码序列，也有点儿技术性。这还要怪新兴文化这些先行者们，当时提倡白话文，引入西文的横排文件格式、标点的情况下，沒有引入西原文中的空格符词性标注。但是即便匹配算法那麼不高效率，不那麼精确，也问题不大，如前边常说，中国汉字是单音节词，把响声合起來，大致不容易有错。
自然，科大讯飞的重活又干的多了些，听说早已超进化到以常见语句为企业来音频了，大伙儿能够想象，这要消耗大量的气力，换得更强的实际效果。
对于提升一些对接处的“词料”，弄一些装饰性的声调，我觉得是无关痛痒的，对总体的实际效果改善并不是很大。
目前市面上商业化TTS一般还适用广东话，请个广东话播音主持人音频，把上边的重活改版一遍便是了。
再聊句题外话，很多人感觉音频最好是找广播电台、电视台节目的播音主持人，实际上寻个你周边的同事来视频录制，要是咬字清楚就可以了。在某类状况下，不同寻常响声比声情并茂的中央新闻联播到来讨人喜欢。
再而言说文字的标志，针对繁杂文字，一些內容程序流程没有办法解决，必须标志出去。例如，单纯性的数据“128”，是应当念成“一百二十八”還是“一二八”？解决方案一般是添加XML标明，如微软公司的TTS："<context ID = "number_cardinal">128</context>"念成“一百二十八”，"<context ID = "number_digit">128</context>"将念成“一二八”。TTS模块能够去表述这种标明。缺憾的是，视频语音XML标明并沒有产生大家都彻底认同的规范，大部分是分别一套。
再聊说TTS运用程序编写，微软公司的TTS程序编写插口叫SAPI，是COM接口，开发设计起來還是有点儿不便，还行MSDN的网址上材料很全方位。微软公司的TTS尽管完全免费，但在其中文人物角色现阶段是个男音，响声略嫌浑浊，觉得难受。
中国一般的生产厂家出示API启用插口，相对性非常简单，能够便捷地置入程序运行中去。
商业化的TTS也有个高并发批准限定，便是限定另外生成的高并发线程数，我认为这一限定用途并不大。不管哪样TTS，都能够将文本文档转化成视频语音文档，供语音卡播发。绝大多数运用语句较为简短，一般不容易超出一百个中国汉字，生成的时间十分短的，弄个进程专业承担生成，其他运用向该进程恳求便是了，万一语句较长，把它转化成好几个句子便是了，播发的速率一直比生成的速度比较慢。
也许多运用是离线生成，沒有实用性规定，就更无须买好几个批准了。
大量状况下，大家乃至沒有必需选购TTS，例如视频语音开发设计中普遍的花费催款，拨打后播发：“尊敬的客户，您当月的花费是：212元”，前边一部分对全部顾客都一样，录一个视频语音文档便是了，而数据的生成是非常简单的，你要是视频录制好10个数据视频语音，再再加十，百，千，万，再再加钱财的企业“元”。
尽管文中好像跟内容运营没什么关联（实际上的确没什么关联），可是，作为一名经营工作人员，做为一个年青人，多学习培训，是好的，尽管将会明日就忘记了。
评论