語音生成簡介

語音生成是經(jīng)過機(jī)械的、電子的方法產(chǎn)生人造語音的技能。TTS技能（又稱文語轉(zhuǎn)化技能）隸屬于語音組成，它是將計(jì)算機(jī)自己產(chǎn)生的、或外部輸入的文字信息轉(zhuǎn)變?yōu)槟軌蚵牭枚�的、流利的漢語白話輸出的技能。采用世界領(lǐng)先的語音組成技能，研制出來的“語音組成助手”軟件能夠完美的完結(jié)語音組成作業(yè)。

語音生成簡介圖1

概述

語音生成是利用電子計(jì)算機(jī)和一些專門裝置模擬人，制作語音的技能。

專業(yè)技能

語音組成和語音辨認(rèn)技能是完成人機(jī)語音通訊，建立一個(gè)有聽和講才能的白話體系所必需的兩項(xiàng)關(guān)鍵技能。使電腦具有類似于人相同的說話才能，是當(dāng)今時(shí)代信息產(chǎn)業(yè)的重要競爭商場。和語音辨認(rèn)比較，語音組成的技能相對說來要老練一些，并已開端向產(chǎn)業(yè)化方向成功邁進(jìn)，大規(guī)模應(yīng)用指日可下。

語音生成，又稱文語轉(zhuǎn)化（Text to Speech）技能，能將恣意文字信息實(shí)時(shí)轉(zhuǎn)化為標(biāo)準(zhǔn)流暢的語音朗讀出來，相當(dāng)于給機(jī)器裝上了人工嘴巴。它觸及聲學(xué)、言語學(xué)、數(shù)字信號(hào)處理、計(jì)算機(jī)科學(xué)等多個(gè)學(xué)科技能，是中文信息處理范疇的一項(xiàng)前沿技能，處理的首要問題就是如何將文字信息轉(zhuǎn)化為可聽的聲響信息，也即讓機(jī)器像人相同開口說話。咱們所說的“讓機(jī)器像人相同開口說話”與傳統(tǒng)的聲響回放設(shè)備（體系）有著實(shí)質(zhì)的差異。傳統(tǒng)的聲響回放設(shè)備（體系），如磁帶錄音機(jī)，是經(jīng)過預(yù)先錄制聲響然后回放來完成“讓機(jī)器說話”的。這種方式無論是在內(nèi)容、存儲(chǔ)、傳輸或者方便性、及時(shí)性等方面都存在很大的限制。而經(jīng)過計(jì)算機(jī)語音組成則能夠在任何時(shí)候?qū)㈨б馕谋巨D(zhuǎn)化成具有高天然度的語音，然后真正完成讓機(jī)器“像人相同開口說話”。

轉(zhuǎn)化體系

文語轉(zhuǎn)化體系實(shí)際上能夠看作是一個(gè)人工智能體系。為了組成出高質(zhì)量的言語，除了依賴于各種規(guī)矩，包含語義學(xué)規(guī)矩、詞匯規(guī)矩、語音學(xué)規(guī)矩外，還必須對文字的內(nèi)容有很好的了解，這也觸及到天然言語了解的問題。下圖顯示了一個(gè)完整的文語轉(zhuǎn)化體系示意圖。文語轉(zhuǎn)化進(jìn)程是先將文字序列轉(zhuǎn)化成音韻序列，再由體系根據(jù)音韻序列生成語音波形。其間第一步觸及言語學(xué)處理，例如分詞、字音轉(zhuǎn)化等，以及一整套有效的韻律操控規(guī)矩；第二步需求先進(jìn)的語音組成技能，能按要求實(shí)時(shí)組成出高質(zhì)量的語音流。因此一般說來，文語轉(zhuǎn)化體系都需求一套雜亂的文字序列到音素序列的轉(zhuǎn)化程序，也就是說，文語轉(zhuǎn)化體系不只要應(yīng)用數(shù)字信號(hào)處理技能，并且必須有很多的言語學(xué)常識(shí)的支撐。