杂谈TTS（Text to speech）：文本转语音

其实，最早接触，或者说就应该知道TTS应该是两年前。

那时候Chris去了家喻户晓的一家公司，那个步步高点读机哪里不会点哪里工作了一段时间，当时，接触到了内容制作方面的知识，而且亲自制作了几本英文教材书的内容。当时没有现在这样喜欢总结，所以，流于做事而做事，没有太多自己搭起来的知识框架，比较乱（虽然现在也没有知识框架也很乱，哈哈哈）

第一次听到TTS应该是在今年4月份的时候。

去了去哪儿，公司的交易平台TTS（Total solution）就是这个名字。说这个名字，估计大家还是蒙圈，整体解决方案？是什么意思？

了解过的童鞋都知道，去哪儿是最大的中文旅游搜索平台，顾名思义，要为用户提供价格比较，让用户选择最便宜、最便捷、最安全的服务和产品。那么一个重要的问题来了，全国各地有那么多酒店、机票、旅游产品代理商、官方旗舰店，如果都跟去哪儿合作的话，用户在去哪儿上面比较了价格，点击购买，一定要保证用户体验达到最佳，优化购买流程，保障其中的安全性和便捷性。于是，交易平台TTS（Total solution）整体解决方案这个系统就出来了，统一了所有第三方平台的管理，这个平台也加强了去哪儿对各大代理商的控制权。

说去哪儿这段，只是想告诉大家一个事实：很多事情，我们都知道，但是，没有上升到理论层次，或者说没有搭建自己的知识框架，所以，当说出tts的时候，就懵逼了，其实背后的事情，你是知道的。（其实，我也是后来才知道，所以，努力吧，骚年们～）

言归正传。

今天说的TTS是text to speech，从文本到语言，文本转语音，文本朗读，差不多是一个意思。在语音系统开发中经常要用到。

记得有一次，我打了一辆Uber，在车里，相信大家都听到过一句：“百度地图将持续为您导航”。当时，我就傻叉似的问了同行的伙伴，这个说话的女声，是专门找人录制的吗？（作为在百度待过的，感觉羞辱万分）。

先说tts的用途，让大家有点概念。

这里，又要涉及两个个概念：CTI和IVR。

CTI技术从计算机通信集成（Computer Telephony Integration）发展而来，最初是想将计算机技术应用到电话系统中，能够自动地对电话中的信令信息进行识别处理，并通过建立有关的话路连接，而向用户传送预定的录音文件、转接来话等。而到现在，CTI技术已经发展成“计算机电信集成”技术(Computer Telecommunication Integration)，即其中的“T”已经发展成“Telecommunication”，这意味着目前的CTI技术不仅要处理传统的电话语音，而且要处理包括传真、电子邮件等其它形式的信息媒体。

在CTI技术中扮演重要角色的就是IVR技术。

IVR（Interactive Voice Response），互动式语音应答。这个概念会让大家对tts豁然开朗。

IVR：只须用电话即可进入服务中心，可以根据操作提示收听手机娱乐产品，也可以根据用户输入的内容播放有关的信息。最常见的业务有：语音点歌、语音聊天交友、客服中心。IVR另一重要应用是在呼叫中心中，分为前置和后置，前置IVR是语音先进入IVR处理，在无法解决客户问题的情况下才转入人工座席。后置IVR是指IVR与人工座席处在平衡的位置，人工无法满足客户入话时转IVR，主要是为了拖延时间或增值服务。

刚刚说的IVR也就是tts的一个代表性用途。

目前市场上的TTS很多，实现方式也各式各样，有的很昂贵，如科大讯飞，据说当初得到863计划的资助，有很高的技术；有的相对便宜，如捷通华声, InfoTalk；也有免费的，如微软的TTS产品。

这里贴一张TTS技术路线图：

图中划分出了三个部分：数据支持、TTS内核、外部应用。

数据支持部分包括：语法知识库、语音语料库、语法词典。这里，今天我跟师傅沟通了一下，然后看了我们公司的语料库后台，明白了，数据支持部分就是通过自然抓取和人工录入的方式，将需要发音的文字准备好。

外部使用自然就是用户客户端请求之后的响应了。

重点是TTS内核的三个部分：

文本分析： 对输入文本进行语言学分析，逐句进行词汇的、语法的和语义的分析，以确定句子的低层结构和每个字的音素的组成，包括文本的断句、字词切分、多音字的处理、数字的处理、缩略语的处理等。

语音合成： 把处理好的文本所对应的单字或短语从语音合成库中提取，把语言学描述转化成言语波形。

韵律生成： 是指语音合成系统所输出的语音的质量，一般从清晰度(或可懂度)、自然度和连贯性等方面进行主观评价。清晰度是正确听辨有意义词语的百分率；自然度用来评价合成语音音质是否接近人说话的声音，合成词语的语调是否自然； 连贯性用来评价合成语句是否流畅。

要合成出高质量的语音，所采用的算法是极为复杂的，因此对机器的要求也非常高。算法的复杂度决定了目前微机并发进行多通道TTS的系统容量。这一部分也是最难的。

相对于ASR（Automatic Speech Recognition，自动语音识别）来说，实现一个TTS产品所需要的技术难度不算大，在我看来也就是个力气活。

要是让我们来做一个能够把汉语句子朗读出来的TTS，我们会怎么做呢？

有一种最简单的TTS，就是把每个字都念出来，你会问，岂不要录制6千多个汉字的语音？幸运的是，汉语的音节很少，很多同音字。我们最多只是需要录制： 声母数×韵母数×4，（其实不是每个读音都有4声），这样算来，最多只需要录制几百个语音就可以了。

在合成的时候需要一张汉字对应拼音的对照表，汉字拼音输入法也依赖这张表，可以在网上找到，不过通常没有4声音调，大不了自己加上，呵呵，要不怎么说是力气活呢。

这样做出来的TTS效果也还可以，特别是朗读一些没有特别含义的如姓名，家庭住址，股票代码等汉语句子，听起来足够清晰。这要归功于我们伟大的母语通常都是单音节，从古代的时候开始，每个汉字就有一个词，表达一个意思。而且汉字不同于英语，英语里面很多连读，音调节奏变化很大，汉字就简单多了。

当然，你仍然要处理一些细节，比如多音字，把“银行”读成“yin xing”就不对了；再比如，标点符号的处理，数字、字母的处理，这些问题对于写过很多程序的你，当然不难了。

国内的一些语音板卡带的TTS，不管是卖钱的还是免费的，大体都是这样做出来的，也就是这样的效果。

如果要把TTS的效果弄好一点，再来点力气活，把基本的词录制成语音，如常见的两字词，四字成语等，再做个词库和语音库的对照表，每次需要合成时到词库里面找。这样以词为单位，比以字为单位，效果自然是好多了。当然，这里面还是有个技术，就是分词的技术，要把复杂的句子断成合理的词序列，也有点技术。这也要怪新文化那些先驱们，当初倡导白话文，引进西文的横排格式、标点符号的时候，没有引进西文中的空格分词。不过即使分词算法那么不高效，不那么准确，也问题不大，如前面所说，汉字是单音节词，把声音合起来，大体上不会有错。

当然，科大讯飞的力气活又干的多了些，据说已经进化到以常用句子为单位来录音了，大家可以想像，这要耗费更多的力气，换来更好的效果。

至于增加一些衔接处的“词料”，弄一些修饰性的音调，我认为是无关紧要的，对整体的效果改进不是太大。

市面上商品化TTS一般还支持粤语，请个粤语播音员录音，把上面的力气活重做一遍就是了。

再说句题外话，很多人觉得录音最好找电台、电视台的播音员，其实找个你周围的女同事来录制，只要吐字清晰就可以了。在某种情况下，寻常声音比字正腔圆的新闻联播来得可爱。

再来说说文本的标识，对于复杂文本，某些内容程序没有办法处理，需要标识出来。比如，单纯的数字“128”，是应该念成“一百二十八”还是“一二八”？解决办法通常是加入XML标注，如微软的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引擎可以去解释这些标注。遗憾的是，语音XML标注并没有形成大家都完全认可的标准，基本上是各自一套。

再说说TTS应用编程，微软的TTS编程接口叫SAPI，是COM接口，开发起来还是有点麻烦，还好MSDN的网站上资料很全面。微软的TTS虽然免费，但其中文角色目前是个男声，声音略嫌混浊，感觉不爽。

国内一般的厂家提供API调用接口，相对比较简单，可以方便地嵌入应用程序中去。

商品化的TTS还有个并发许可限制，就是限制同时合成的并发线程数，我觉得这个限制用处不大。无论哪种TTS，都可以将文本文件转换成语音文件，供语音卡播放。大部分应用句子比较短小，一般不会超过100个汉字，合成的时间是非常短的，弄个线程专门负责合成，其它应用向该线程请求就是了，万一句子很长，把它分解成多个短句子就是了，播放的速度总是比合成的速度慢。

也很多应用是脱机合成，没有实时性要求，就更不必买多个许可了。

更多情况下，我们甚至没有必要购买TTS，比如语音开发中常见的费用催缴，拨通后播放：“尊敬的客户，您本月的费用是：212元”，前面部分对所有客户都一样，录一个语音文件就是了，而数字的合成是很简单的，你只要录制好10个数字语音，再加上十，百，千，万，再加上金钱的单位“元”。

 

本文由 @Chris 原创发布于人人都是产品经理 ，未经许可，禁止转载。