语音合成（TTS）的概念和分类

语音合成

Speech Synthesis 或Text to Speech(TTS)

语音合成（Speech Synthesis）是人类语音的人工合成。用于此目的的计算机系统称为语音计算机或语音合成器，可以在软件或硬件产品中实现。文本到语音(TTS)系统将普通语言文本转换为语音;其他系统则把像音标这样的符号语言表示法翻译成语音。其他系统则使用符号语言表征例如标音法翻译成语音。（other systems render symbolic linguistic representations[2] like phonetic transcriptions into speech.[1] ）

1. Allen, Jonathan; Hunnicutt, M. Sharon; Klatt, Dennis (1987). From Text to Speech: The MITalk system. Cambridge University Press. ISBN 978-0-521-30641-6.

2. A symbolic linguistic representation符号语言表征是一种话语的表征，它使用符号来表征话语的语言信息，如语音、音位、形态学、句法或语义的信息。符号语言表征不同于非符号表征，如录音，因为它们使用符号来表示语言信息，而不是测量。

合成语音可以通过连接存储在数据库中的记录语音片段来创建。系统存储的语音单元大小不同;存储音素和亚音素（phones and diphones）[3]的系统提供最大的输出范围，但可能缺乏清晰度。对于特定的使用领域，整个单词或句子的存储允许高质量的输出。或者，合成器可以结合声道模型和其他人类声音特征来创建一个完全“合成”的声音输出。

3.语音学(Phonetics)是语言学的一个分支，研究人类语言的声音，或者，在手语中，是手语的等效方面。它涉及语音或信号(电话)的物理特性:它们的生理产生、声学特性、听觉感知和神经生理状态。另一方面，音韵学是研究声音或符号系统的抽象语法特征。

语音合成器的质量是由它与人类声音的相似性和它被清晰理解的能力来判断的。一种可理解的文本-语音转换程序允许有视觉障碍或阅读障碍的人在家用电脑上听书面文字。自上世纪90年代初以来，许多计算机操作系统都包含语音合成器。

文本到语音系统(或“引擎”)由两部分组成:前端和后端。前端有两个主要任务。首先，它将包含数字和缩写等符号的原始文本转换为相当于输出的单词。这个过程通常称为文本规范化、预处理或标记化。然后前端为每个单词分配语音转录，并将文本划分和标记为韵律单位，如短语、子句和句子。将音标分配给单词的过程称为文本到音素或字母到音素的转换。音标和韵律信息共同构成了前端输出的符号语言表征。后端通常被称为合成器，然后将符号语言表示转换成声音。在某些系统中，这部分包括计算目标韵律(音高轮廓，音素时长)，然后将之加到输出语音上。(^ van Santen, Jan P. H.; Sproat, Richard W.; Olive, Joseph P.; Hirschberg, Julia (1997). Progress in Speech Synthesis. Springer. ISBN 978-0-387-94701-3.)

之前的文章有提到过，目前国内的主流语音合成方案有科大讯飞、搜狗、云知声、思必驰等。

而语音合成目前市面上一般使用参数合成，或者拼接合成，前者的音库都是在10小时左右，基本用不到20小时，对于合成人声效果的自然度，更依赖算法，而拼接则对于数据的需求量很高，对合成人声效果的自然度，更依赖数据量。很多听起来很自然的音库时长在100~200小时左右。

以及，TTS模型通常也会分为中文，英文，或者中英混输的。做训练的文本，有很多文字比较拗口，故而对录音声优的功力有要求，中英混输的模型数据就更难了。如果是普通的中文TTS模型，以刚才的例子“马上为您播放周杰伦的《晴天》live版本”，这种就可以在录音时加入一些简单的字母，单词，短语等等。

合成的wav文件回传到终端音箱，并播放出来，如此，完成了一环基础的用户与智能硬件之间的对话。

方法上：波形拼接合成和参数合成

波形拼接语音合成：

基于统计规则的大语料库拼接语音合成系统

超大规模音库制作：语料设计；音库录制；精细切分；韵律标注；

优点：音质最佳，录音和合成音质差异小，正常句子的自然度也好

缺点：非常依赖音库的规模大小和制作质量，尺寸大，无法在嵌入式设备中应用，仍然存在拼接不连续性

参数语音合成技术：

对于引得频谱特性参数进行建模，生成参数合成器，来构建文本序列映射到语音的映射关系

优点：尺寸小，语音自然度好

缺点：音质不如拼接合成