TTS（Text To Speech）即從文本到語(yǔ)音，把文本數(shù)據(jù)轉(zhuǎn)換成音頻數(shù)據(jù)輸出，是一種計(jì)算機(jī)生成語(yǔ)音的技術(shù)。將書面文本轉(zhuǎn)換為人類可以聽懂的語(yǔ)音輸出。這項(xiàng)技術(shù)利用了自然語(yǔ)音處理技術(shù)、數(shù)字信號(hào)處理和語(yǔ)音合成等領(lǐng)域的知識(shí)，通過模擬人類發(fā)聲過程來生成語(yǔ)音。

樂鑫語(yǔ)音合成當(dāng)前版本基于拼接法，系統(tǒng)框圖如下

Parser: 根據(jù)字典與語(yǔ)法規(guī)則，將輸入文本轉(zhuǎn)換為拼音列表, 輸入文本編碼為UTF-8。

Synthesizer: 根據(jù)Parser輸出的拼音列表，結(jié)合預(yù)定義的聲音集，合成波形文件。默認(rèn)輸出格式為單聲道， 16bit@16000Hz。

自20世紀(jì)80年代起，TTS技術(shù)經(jīng)歷了早期的參數(shù)合成方法，到后面隨著計(jì)算機(jī)技術(shù)的發(fā)展又出現(xiàn)了波形拼接的合成方法。但真正具有實(shí)際意義的近代語(yǔ)音合成技術(shù)是隨著計(jì)算機(jī)技術(shù)和數(shù)字信號(hào)處理技術(shù)的發(fā)展而發(fā)展起來的。

隨著AI技術(shù)的不斷發(fā)展，基于深度學(xué)習(xí)的TTS技術(shù)逐漸興起，并得到了廣泛的應(yīng)用。當(dāng)前，TTS技術(shù)已可以應(yīng)用于很多領(lǐng)域，例如虛擬助手、語(yǔ)音信箱、室內(nèi)外廣播系統(tǒng)等。

目前樂鑫TTS demo實(shí)現(xiàn)了將中文文本轉(zhuǎn)換為中文語(yǔ)音，不同于一般的語(yǔ)音合成技術(shù)，ESP Chinese TTS 專門針對(duì)中文進(jìn)行優(yōu)化，如果輸入的是中英文混雜的文本，英文部分將會(huì)被逐字母讀出。其他語(yǔ)種的版本則要定制。*具體使用方式可點(diǎn)擊閱讀原文進(jìn)行參考

TTS技術(shù)的發(fā)展趨勢(shì)將會(huì)更智能、自然和人性化。通過與其他技術(shù)相結(jié)合，未來應(yīng)用到更廣泛的場(chǎng)景領(lǐng)域，以實(shí)現(xiàn)更加復(fù)雜的語(yǔ)音應(yīng)用。

總的來說，TTS技術(shù)將成為我們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠?，讓語(yǔ)音交互更加便捷高效。同時(shí)，也給企業(yè)和社會(huì)帶來更多價(jià)值機(jī)會(huì)。