八戒八戒韩国电影免费,亞洲日韓中文字幕一區,黄色软件下

語(yǔ)音合成

Speech Synthesis 或Text to Speech(TTS)

語(yǔ)音合成（Speech Synthesis）是人類(lèi)語(yǔ)音的人工合成。用于此目的的計(jì)算機(jī)系統(tǒng)稱為語(yǔ)音計(jì)算機(jī)或語(yǔ)音合成器，可以在軟件或硬件產(chǎn)品中實(shí)現(xiàn)。文本到語(yǔ)音(TTS)系統(tǒng)將普通語(yǔ)言文本轉(zhuǎn)換為語(yǔ)音;其他系統(tǒng)則把像音標(biāo)這樣的符號(hào)語(yǔ)言表示法翻譯成語(yǔ)音。其他系統(tǒng)則使用符號(hào)語(yǔ)言表征例如標(biāo)音法翻譯成語(yǔ)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符號(hào)語(yǔ)言表征是一種話語(yǔ)的表征，它使用符號(hào)來(lái)表征話語(yǔ)的語(yǔ)言信息，如語(yǔ)音、音位、形態(tài)學(xué)、句法或語(yǔ)義的信息。符號(hào)語(yǔ)言表征不同于非符號(hào)表征，如錄音，因?yàn)樗鼈兪褂梅?hào)來(lái)表示語(yǔ)言信息，而不是測(cè)量。

合成語(yǔ)音可以通過(guò)連接存儲(chǔ)在數(shù)據(jù)庫(kù)中的記錄語(yǔ)音片段來(lái)創(chuàng)建。系統(tǒng)存儲(chǔ)的語(yǔ)音單元大小不同;存儲(chǔ)音素和亞音素（phones and diphones）[3]的系統(tǒng)提供最大的輸出范圍，但可能缺乏清晰度。對(duì)于特定的使用領(lǐng)域，整個(gè)單詞或句子的存儲(chǔ)允許高質(zhì)量的輸出?；蛘?，合成器可以結(jié)合聲道模型和其他人類(lèi)聲音特征來(lái)創(chuàng)建一個(gè)完全“合成”的聲音輸出。

3.語(yǔ)音學(xué)(Phonetics)是語(yǔ)言學(xué)的一個(gè)分支，研究人類(lèi)語(yǔ)言的聲音，或者，在手語(yǔ)中，是手語(yǔ)的等效方面。它涉及語(yǔ)音或信號(hào)(電話)的物理特性:它們的生理產(chǎn)生、聲學(xué)特性、聽(tīng)覺(jué)感知和神經(jīng)生理狀態(tài)。另一方面，音韻學(xué)是研究聲音或符號(hào)系統(tǒng)的抽象語(yǔ)法特征。

語(yǔ)音合成器的質(zhì)量是由它與人類(lèi)聲音的相似性和它被清晰理解的能力來(lái)判斷的。一種可理解的文本-語(yǔ)音轉(zhuǎn)換程序允許有視覺(jué)障礙或閱讀障礙的人在家用電腦上聽(tīng)書(shū)面文字。自上世紀(jì)90年代初以來(lái)，許多計(jì)算機(jī)操作系統(tǒng)都包含語(yǔ)音合成器。

文本到語(yǔ)音系統(tǒng)(或“引擎”)由兩部分組成:前端和后端。前端有兩個(gè)主要任務(wù)。首先，它將包含數(shù)字和縮寫(xiě)等符號(hào)的原始文本轉(zhuǎn)換為相當(dāng)于輸出的單詞。這個(gè)過(guò)程通常稱為文本規(guī)范化、預(yù)處理或標(biāo)記化。然后前端為每個(gè)單詞分配語(yǔ)音轉(zhuǎn)錄，并將文本劃分和標(biāo)記為韻律單位，如短語(yǔ)、子句和句子。將音標(biāo)分配給單詞的過(guò)程稱為文本到音素或字母到音素的轉(zhuǎn)換。音標(biāo)和韻律信息共同構(gòu)成了前端輸出的符號(hào)語(yǔ)言表征。后端通常被稱為合成器，然后將符號(hào)語(yǔ)言表示轉(zhuǎn)換成聲音。在某些系統(tǒng)中，這部分包括計(jì)算目標(biāo)韻律(音高輪廓，音素時(shí)長(zhǎng))，然后將之加到輸出語(yǔ)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.)

之前的文章有提到過(guò)，目前國(guó)內(nèi)的主流語(yǔ)音合成方案有科大訊飛、搜狗、云知聲、思必馳等。

而語(yǔ)音合成目前市面上一般使用參數(shù)合成，或者拼接合成，前者的音庫(kù)都是在10小時(shí)左右，基本用不到20小時(shí)，對(duì)于合成人聲效果的自然度，更依賴算法，而拼接則對(duì)于數(shù)據(jù)的需求量很高，對(duì)合成人聲效果的自然度，更依賴數(shù)據(jù)量。很多聽(tīng)起來(lái)很自然的音庫(kù)時(shí)長(zhǎng)在100~200小時(shí)左右。

以及，TTS模型通常也會(huì)分為中文，英文，或者中英混輸?shù)摹Ｗ鲇?xùn)練的文本，有很多文字比較拗口，故而對(duì)錄音聲優(yōu)的功力有要求，中英混輸?shù)哪Ｐ蛿?shù)據(jù)就更難了。如果是普通的中文TTS模型，以剛才的例子“馬上為您播放周杰倫的《晴天》live版本”，這種就可以在錄音時(shí)加入一些簡(jiǎn)單的字母，單詞，短語(yǔ)等等。

合成的wav文件回傳到終端音箱，并播放出來(lái)，如此，完成了一環(huán)基礎(chǔ)的用戶與智能硬件之間的對(duì)話。

方法上：波形拼接合成和參數(shù)合成

波形拼接語(yǔ)音合成：

基于統(tǒng)計(jì)規(guī)則的大語(yǔ)料庫(kù)拼接語(yǔ)音合成系統(tǒng)

超大規(guī)模音庫(kù)制作：語(yǔ)料設(shè)計(jì)；音庫(kù)錄制；精細(xì)切分；韻律標(biāo)注；