語音生成簡介

語音生成是經(jīng)過機械的、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，它是將計算機自己產(chǎn)生的、或外部輸入的文字信息轉(zhuǎn)變?yōu)槟軌蚵牭枚�、流利的漢語白話輸出的技能。采用世界領先的語音組成技能，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算機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技能是完成人機語音通訊，建立一個有聽和講才能的白話體系所必需的兩項關(guān)鍵技能。使電腦具有類似于人相同的說話才能，是當今時代信息產(chǎn)業(yè)的重要競爭商場。和語音辨認比較，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，大規(guī)模應用指日可下。

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時轉(zhuǎn)化為標準流暢的語音朗讀出來，相當于給機器裝上了人工嘴巴。它觸及聲學、言語學、數(shù)字信號處理、計算機科學等多個學科技能，是中文信息處理范疇的一項前沿技能，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，也即讓機器像人相同開口說話。咱們所說的“讓機器像人相同開口說話”與傳統(tǒng)的聲響回放設備（體系）有著實質(zhì)的差異。傳統(tǒng)的聲響回放設備（體系），如磁帶錄音機，是經(jīng)過預先錄制聲響然后回放來完成“讓機器說話”的。這種方式無論是在內(nèi)容、存儲、傳輸或者方便性、及時性等方面都存在很大的限制。而經(jīng)過計算機語音組成則能夠在任何時候?qū)㈨б馕谋巨D(zhuǎn)化成具有高天然度的語音，然后真正完成讓機器“像人相同開口說話”。

轉(zhuǎn)化體系

文語轉(zhuǎn)化體系實際上能夠看作是一個人工智能體系。為了組成出高質(zhì)量的言語，除了依賴于各種規(guī)矩，包含語義學規(guī)矩、詞匯規(guī)矩、語音學規(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。下圖顯示了一個完整的文語轉(zhuǎn)化體系示意圖。文語轉(zhuǎn)化進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；第二步需求先進的語音組成技能，能按要求實時組成出高質(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)化體系不只要應用數(shù)字信號處理技能，并且必須有很多的言語學常識的支撐。