TTS

目錄
·TTS概述
·TTS解析
·中文TTS系統(tǒng)
·TTS與CTI
·TTS漫談






   
TTS概述

        TTS是Text To Speech的縮寫，即“從文本到語音”。它是同時(shí)運(yùn)用語言學(xué)和心理學(xué)的杰出之作，在內(nèi)置芯片的支持之下，通過神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，把文字智能地轉(zhuǎn)化為自然語音流。TTS技術(shù)對文本文件進(jìn)行實(shí)時(shí)轉(zhuǎn)換，轉(zhuǎn)換時(shí)間之短可以秒計(jì)算。在其特有智能語音控制器作用下，文本輸出的語音音律流暢，使得聽者在聽取信息時(shí)感覺自然，毫無機(jī)器語音輸出的冷漠與生澀感。TTS語音合成技術(shù)即將覆蓋國標(biāo)一、二級漢字，具有英文接口，自動(dòng)識(shí)別中、英文，支持中英文混讀。所有聲音采用真人普通話為標(biāo)準(zhǔn)發(fā)音，實(shí)現(xiàn)了120-150個(gè)漢字/秒的快速語音合成，朗讀速度達(dá)3-4個(gè)漢字/秒，使用戶可以聽到清晰悅耳的音質(zhì)和連貫流暢的語調(diào)�，F(xiàn)在有少部分MP3隨身聽具有了TTS功能。

        TTS是語音合成應(yīng)用的一種，它將儲(chǔ)存于電腦中的文件，如幫助文件或者網(wǎng)頁，轉(zhuǎn)換成自然語音輸出。TTS可以幫助有視覺障礙的人閱讀計(jì)算機(jī)上的信息，或者只是簡單的用來增加文本文檔的可讀性�，F(xiàn)在的TTL應(yīng)用包括語音驅(qū)動(dòng)的郵件以及聲音敏感系統(tǒng)。TTS經(jīng)常與聲音識(shí)別程序一起使用�，F(xiàn)在有很多TTS的產(chǎn)品，包括Read Please 2000， Proverbe Speech Unit，以及Next Up Technology的TextAloud。朗訊、 Elan、以及 AT&T都有自己的語音合成產(chǎn)品。

        除了TTS軟件之外，很多商家還提供硬件產(chǎn)品，其中包括以色列WizCom Technologies公司的 Quick Link Pen，它是一個(gè)筆狀的可以掃描也可以閱讀文字的設(shè)備；還有Ostrich Software公司的Road Runner，一個(gè)手持的可以閱讀ASCII文本的設(shè)備；另外還有美國DEC公司的DecTalk TTS，它是可以替代聲卡的外部硬件設(shè)備，它包含一個(gè)內(nèi)部軟件設(shè)備，可以與個(gè)人電腦自己的聲卡協(xié)同工作。


TTS解析

        TTS文語轉(zhuǎn)換用途很廣，包括電子郵件的閱讀、IVR系統(tǒng)的語音提示等等，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)龋��?BR>
        TTS所用的關(guān)鍵技術(shù)就是語音合成(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-對輸入文本進(jìn)行語言學(xué)分析，逐句進(jìn)行詞匯的、語法的和語義的分析，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、縮略語的處理等。
        ●語音合成-把處理好的文本所對應(yīng)的單字或短語從語音合成庫中提取，把語言學(xué)描述轉(zhuǎn)化成言語波形。
        ●韻律處理-合成音質(zhì)(Qualityof Synthetic Speech)是指語音合成系統(tǒng)所輸出的語音的質(zhì)量，一般從清晰度(或可懂度)、自然度和連貫性等方面進(jìn)行主觀評價(jià)。清晰度是正確聽辨有意義詞語的百分率；自然度用來評價(jià)合成語音音質(zhì)是否接近人說話的聲音，合成詞語的語調(diào)是否自然； 連貫性用來評價(jià)合成語句是否流暢。

        要合成出高質(zhì)量的語音，所采用的算法是極為復(fù)雜的，因此對機(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)上插入語音板卡組成，并支持中文語音合成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)庫服務(wù)器申請相關(guān)數(shù)據(jù)。
        數(shù)據(jù)庫服務(wù)器返回文本數(shù)據(jù)給IVR。
        IVR通過其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音數(shù)據(jù)分段通過TCP通訊接口發(fā)送給IVR服務(wù)器。
        IVR服務(wù)器把分段語音數(shù)據(jù)組裝成為獨(dú)立的語音文件。
        IVR播放相應(yīng)的語音文件給電話用戶。

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


中文TTS系統(tǒng)

       包括中文語音處理和語音合成，利用中文韻律等相關(guān)知識(shí)對中文語句進(jìn)行分詞、詞性判斷、注音、數(shù)字符號轉(zhuǎn)換，語音合成通過查詢中文語音庫得到語音。目前中文TTS系統(tǒng)，比較著名的有：IBM，Microsoft，F(xiàn)ujitsu，科大訊飛，捷通華聲等研究的系統(tǒng)。目前比較關(guān)鍵的就是中文韻律處理、符號數(shù)字、多音字、構(gòu)詞方面有較多的問題，需要不斷研究，使得中文語音合成的自然化程度較高。


TTS與CTI


        CTI技術(shù)使電信和計(jì)算機(jī)相互融合，克服了傳統(tǒng)電信和計(jì)算機(jī)服務(wù)相對單一的缺點(diǎn)，將兩者完美結(jié)合了起來。其應(yīng)用領(lǐng)域非常廣泛，任何需要語音、數(shù)據(jù)通信，特別是那些希望把計(jì)算機(jī)網(wǎng)與通信網(wǎng)結(jié)合起來完成語音數(shù)據(jù)信息交換的系統(tǒng)都會(huì)用到CTI技術(shù)。

        TTS即語音合成技術(shù)(Text To Speech)，它涉及聲學(xué)、語言學(xué)、數(shù)學(xué)信號處理技術(shù)、多媒體技術(shù)等多個(gè)學(xué)科技術(shù)，是中文信息處理領(lǐng)域的一項(xiàng)前沿技術(shù)，實(shí)現(xiàn)把計(jì)算機(jī)中任意出現(xiàn)的文字轉(zhuǎn)換成自然流暢的語音輸出。

        TTS在CTI系統(tǒng)中可以應(yīng)用在IVR（交互式語音應(yīng)答）服務(wù)器上，以提供語音交互式平臺(tái)，為用戶電話來訪提供語音提示，引導(dǎo)用戶選擇服務(wù)內(nèi)容和輸入電話事務(wù)所需的數(shù)據(jù)，并接受用戶在電話撥號鍵盤上輸入的信息，實(shí)現(xiàn)對計(jì)算機(jī)數(shù)據(jù)庫等信息資料的交互式訪問。

        在IVR中應(yīng)用TTS可以自動(dòng)將文本信息轉(zhuǎn)換為語音文件，或者實(shí)時(shí)地將文本信息合成語音并通過電話發(fā)布。實(shí)現(xiàn)文本與語音自動(dòng)雙向轉(zhuǎn)換，以達(dá)到人與系統(tǒng)的自動(dòng)交互，隨時(shí)隨地為客戶服務(wù)。維護(hù)人員不必再人工錄音，只須將電子文檔引入系統(tǒng)中，系統(tǒng)可以自動(dòng)將電子文檔轉(zhuǎn)換為語音信息播放給客戶。數(shù)據(jù)庫中存放的大量數(shù)據(jù)，無需事先進(jìn)行錄音，能夠隨時(shí)根據(jù)查詢條件查出并合成語音進(jìn)行播報(bào)，從而大大減少了座席人員的工作負(fù)擔(dān)。

        那么應(yīng)如何將TTS功能附加到CTI應(yīng)用中呢？某些比較先進(jìn)的交換平臺(tái)，已經(jīng)在交換機(jī)的內(nèi)部實(shí)現(xiàn)了TTS的功能，并作為標(biāo)準(zhǔn)接口的一部分對外提供，業(yè)務(wù)開發(fā)商只需要簡單的調(diào)用他們即可以在業(yè)務(wù)中使用該功能。

        對于未實(shí)現(xiàn)TTS功能的PBX，就需要業(yè)務(wù)開發(fā)商自己去選擇合適的平臺(tái)，在此基礎(chǔ)上進(jìn)行二次開發(fā)，即調(diào)用所選TTS平臺(tái)提供的標(biāo)準(zhǔn)接口，實(shí)現(xiàn)語音合成功能。

        目前CTI已經(jīng)成為全球發(fā)展最為迅猛的產(chǎn)業(yè)之一，每年以50%的速度增長，CTI如同計(jì)算機(jī)產(chǎn)業(yè)一樣是一個(gè)金字塔形的產(chǎn)業(yè)鏈，從上到下會(huì)以至少20倍的幅度增值。TTS作為一種誘人的新技術(shù)，如果能很好的嵌入到增值業(yè)務(wù)的應(yīng)用中去，必將形成一個(gè)更好的應(yīng)用前景。

        杭州音通軟件有限公司是由國家教育部和浙江省人民政府聯(lián)辦并依托浙江大學(xué)而成立的高新技術(shù)公司，音通公司主要致力于計(jì)算機(jī)語音技術(shù)的研發(fā)并逐步開拓語音識(shí)別、語音流媒體傳輸?shù)绕渌�語音領(lǐng)域的研究。其核心技術(shù)（Intone＿TTS）是具有自主知識(shí)產(chǎn)權(quán)的中文語音合成技術(shù)，在由浙江省科技廳組織的鑒定中被專家一致鑒定為國內(nèi)領(lǐng)先地位，并已申請多項(xiàng)國家專利。

        Intone_TTS是一套把文本信息轉(zhuǎn)換為語音信息的開發(fā)工具包，為系統(tǒng)集成商、軟件開發(fā)商提供了完備的接口函數(shù)和編程示例，使用戶能夠靈活的進(jìn)行調(diào)用，并集成到其它應(yīng)用系統(tǒng)中。接口需要語音合成運(yùn)行庫的支持，適合多種開發(fā)環(huán)境。開發(fā)者可以根據(jù)具體的應(yīng)用場合進(jìn)行選擇。

        它能夠?qū)λ�有的漢字、英文、阿拉伯?dāng)?shù)字進(jìn)行語音合成；
        支持繁體字及多音字的編輯；
        合成效果：自然、平滑；
        規(guī)范的函數(shù)調(diào)用接口，同時(shí)支持微軟SAPI的調(diào)用；支持同步調(diào)用和異步調(diào)用方式；
        支持PCM Wave，uLaw/aLaw Wave，ADPCM，Dialogic Vox等多種語音格式；
        支持GB2312碼（簡體中文）、BIG5碼（繁體）、UNICODE碼；
        支持多路通道同時(shí)合成；
        支持Dialogic、東進(jìn)、三匯等主流語音板卡；


TTS漫談

        TTS就是Text To Speech，文本轉(zhuǎn)語音，文本朗讀，差不多是一個(gè)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(shí)現(xiàn)方式也各式各樣，有的很昂貴，如科大訊飛，據(jù)說當(dāng)初得到863計(jì)劃的資助，有很高的技術(shù)；有的相對便宜，如捷通華聲, InfoTalk；也有免費(fèi)的，如微軟的TTS產(chǎn)品。

        相對于ASR（Automatic Speech Recognition，自動(dòng)語音識(shí)別）來說，實(shí)現(xiàn)一個(gè)TTS產(chǎn)品所需要的技術(shù)難度不算大，在我看來也就是個(gè)力氣活。

        要是讓我們來做一個(gè)能夠把漢語句子朗讀出來的TTS，我們會(huì)怎么做呢？
有一種最簡單的TTS，就是把每個(gè)字都念出來，你會(huì)問，豈不要錄制6千多個(gè)漢字的語音？幸運(yùn)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(shí)不是每個(gè)讀音都有4聲），這樣算來，最多只需要錄制幾百個(gè)語音就可以了。

        在合成的時(shí)候需要一張漢字對應(yīng)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?dú)w功于我們偉大的母語通常都是單音節(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，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(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”就不對了；再比如，標(biāo)點(diǎn)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(dāng)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(fèi)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(diǎn)，再來點(diǎn)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(gè)詞庫和語音庫的對照表，每次需要合成時(shí)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(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)符號的時(shí)候，沒有引進(jìn)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(zhǔn)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(huì)有錯(cuò)。

        當(dāng)然，科大訊飛的力氣活又干的多了些，據(jù)說已經(jīng)進(jìn)化到以常用句子為單位來錄音了，大家可以想像，這要耗費(fèi)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(rèn)為是無關(guān)緊要的，對整體的效果改進(jìn)不是太大。

        市面上商品化TTS一般還支持粵語，請個(gè)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(tái)、電視臺(tái)的播音員，其實(shí)找個(gè)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(biāo)識(shí)，對于復(fù)雜文本，某些內(nèi)容程序沒有辦法處理，需要標(biāo)識(shí)出來。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，語音XML標(biāo)注并沒有形成大家都完全認(rèn)可的標(biāo)準(zhǔn)，基本上是各自一套。

        再說說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(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)，我覺得這個(gè)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(yīng)用句子比較短小，一般不會(huì)超過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)用向該線程請求就是了，萬一句子很長，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，我們甚至沒有必要購買TTS，比如語音開發(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”，前面部分對所有客戶都一樣，錄一個(gè)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(gè)數(shù)字語音，再加上十，百，千，萬，再加上金錢的單位“元”。

TTS(Training+Tool+Scheme)超越計(jì)劃
        針對目前成長型企業(yè)遇到的人力資源問題，立體化解決人力資源瓶頸、通過企業(yè)與專家共建、實(shí)現(xiàn)人才強(qiáng)企的人力資源方向的重大智業(yè)項(xiàng)目。為企業(yè)培養(yǎng)人力資源高級管理人才，提供先進(jìn)人力資源管理工具，并協(xié)助企業(yè)建立現(xiàn)代人力資源戰(zhàn)略規(guī)劃。通過“培訓(xùn)（Training）+工具（Tool）+方案（Scheme）”的辦法，為企業(yè)系統(tǒng)解決人力資源難點(diǎn)問題，進(jìn)而搭建科學(xué)、完善的人力資源管理體系。
   

• 通信詞典解釋