自动语音识别

TTS就是Text To Speech，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。

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。

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"。