其實，最早接觸，或者說就應該知道TTS應該是兩年前。

那時候Chris去了家喻戶曉的一家公司，那個步步高點讀機哪里不會點哪里工作了一段時間，當時，接觸到了內容制作方面的知識，而且親自制作了幾本英文教材書的內容。當時沒有現在這樣喜歡總結，所以，流于做事而做事，沒有太多自己搭起來的知識框架，比較亂（雖然現在也沒有知識框架也很亂，哈哈哈）

第一次聽到TTS應該是在今年4月份的時候。

去了去哪兒，公司的交易平臺TTS（Total solution）就是這個名字。說這個名字，估計大家還是蒙圈，整體解決方案？是什么意思？

了解過的童鞋都知道，去哪兒是最大的中文旅游搜索平臺，顧名思義，要為用戶提供價格比較，讓用戶選擇最便宜、最便捷、最安全的服務和產品。那么一個重要的問題來了，全國各地有那么多酒店、機票、旅游產品代理商、官方旗艦店，如果都跟去哪兒合作的話，用戶在去哪兒上面比較了價格，點擊購買，一定要保證用戶體驗達到最佳，優化購買流程，保障其中的安全性和便捷性。于是，交易平臺TTS（Total solution）整體解決方案這個系統就出來了，統一了所有第三方平臺的管理，這個平臺也加強了去哪兒對各大代理商的控制權。

說去哪兒這段，只是想告訴大家一個事實：很多事情，我們都知道，但是，沒有上升到理論層次，或者說沒有搭建自己的知識框架，所以，當說出tts的時候，就懵逼了，其實背后的事情，你是知道的。（其實，我也是后來才知道，所以，努力吧，騷年們～）

言歸正傳。

今天說的TTS是text to speech，從文本到語言，文本轉語音，文本朗讀，差不多是一個意思。在語音系統開發中經常要用到。

記得有一次，我打了一輛Uber，在車里，相信大家都聽到過一句：“百度地圖將持續為您導航”。當時，我就問了同行的伙伴，這個說話的女聲，是專門找人錄制的嗎？（作為在百度待過的，感覺羞辱萬分）。

先說tts的用途，讓大家有點概念。

這里，又要涉及兩個個概念：CTI和IVR。

CTI技術從計算機通信集成（Computer Telephony Integration）發展而來，最初是想將計算機技術應用到電話系統中，能夠自動地對電話中的信令信息進行識別處理，并通過建立有關的話路連接，而向用戶傳送預定的錄音文件、轉接來話等。而到現在，CTI技術已經發展成“計算機電信集成”技術(Computer Telecommunication Integration)，即其中的“T”已經發展成“Telecommunication”，這意味著目前的CTI技術不僅要處理傳統的電話語音，而且要處理包括傳真、電子郵件等其它形式的信息媒體。

在CTI技術中扮演重要角色的就是IVR技術。

IVR（Interactive Voice Response），互動式語音應答。這個概念會讓大家對tts豁然開朗。

IVR：只須用電話即可進入服務中心，可以根據操作提示收聽手機娛樂產品，也可以根據用戶輸入的內容播放有關的信息。最常見的業務有：語音點歌、語音聊天交友、客服中心。IVR另一重要應用是在呼叫中心中，分為前置和后置，前置IVR是語音先進入IVR處理，在無法解決客戶問題的情況下才轉入人工座席。后置IVR是指IVR與人工座席處在平衡的位置，人工無法滿足客戶入話時轉IVR，主要是為了拖延時間或增值服務。

剛剛說的IVR也就是tts的一個代表性用途。

目前市場上的TTS很多，實現方式也各式各樣，有的很昂貴，如科大訊飛，據說當初得到863計劃的資助，有很高的技術；有的相對便宜，如捷通華聲, InfoTalk；也有免費的，如微軟的TTS產品。

這里貼一張TTS技術路線圖：

圖中劃分出了三個部分：數據支持、TTS內核、外部應用。

數據支持部分包括：語法知識庫、語音語料庫、語法詞典。這里，今天我跟師傅溝通了一下，然后看了我們公司的語料庫后臺，明白了，數據支持部分就是通過自然抓取和人工錄入的方式，將需要發音的文字準備好。

外部使用自然就是用戶客戶端請求之后的響應了。

重點是TTS內核的三個部分：

文本分析：對輸入文本進行語言學分析，逐句進行詞匯的、語法的和語義的分析，以確定句子的低層結構和每個字的音素的組成，包括文本的斷句、字詞切分、多音字的處理、數字的處理、縮略語的處理等。

語音合成：把處理好的文本所對應的單字或短語從語音合成庫中提取，把語言學描述轉化成言語波形。

韻律生成：是指語音合成系統所輸出的語音的質量，一般從清晰度(或可懂度)、自然度和連貫性等方面進行主觀評價。清晰度是正確聽辨有意義詞語的百分率；自然度用來評價合成語音音質是否接近人說話的聲音，合成詞語的語調是否自然； 連貫性用來評價合成語句是否流暢。

要合成出高質量的語音，所采用的算法是極為復雜的，因此對機器的要求也非常高。算法的復雜度決定了目前微機并發進行多通道TTS的系統容量。這一部分也是最難的。

相對于ASR（Automatic Speech Recognition，自動語音識別）來說，實現一個TTS產品所需要的技術難度不算大，在我看來也就是個力氣活。

要是讓我們來做一個能夠把漢語句子朗讀出來的TTS，我們會怎么做呢？

有一種最簡單的TTS，就是把每個字都念出來，你會問，豈不要錄制6千多個漢字的語音？幸運的是，漢語的音節很少，很多同音字。我們最多只是需要錄制： 聲母數×韻母數×4，（其實不是每個讀音都有4聲），這樣算來，最多只需要錄制幾百個語音就可以了。

在合成的時候需要一張漢字對應拼音的對照表，漢字拼音輸入法也依賴這張表，可以在網上找到，不過通常沒有4聲音調，大不了自己加上，呵呵，要不怎么說是力氣活呢。

這樣做出來的TTS效果也還可以，特別是朗讀一些沒有特別含義的如姓名，家庭住址，股票代碼等漢語句子，聽起來足夠清晰。這要歸功于我們偉大的母語通常都是單音節，從古代的時候開始，每個漢字就有一個詞，表達一個意思。而且漢字不同于英語，英語里面很多連讀，音調節奏變化很大，漢字就簡單多了。

當然，你仍然要處理一些細節，比如多音字，把“銀行”讀成“yin xing”就不對了；再比如，標點符號的處理，數字、字母的處理，這些問題對于寫過很多程序的你，當然不難了。

國內的一些語音板卡帶的TTS，不管是賣錢的還是免費的，大體都是這樣做出來的，也就是這樣的效果。

如果要把TTS的效果弄好一點，再來點力氣活，把基本的詞錄制成語音，如常見的兩字詞，四字成語等，再做個詞庫和語音庫的對照表，每次需要合成時到詞庫里面找。這樣以詞為單位，比以字為單位，效果自然是好多了。當然，這里面還是有個技術，就是分詞的技術，要把復雜的句子斷成合理的詞序列，也有點技術。這也要怪新文化那些先驅們，當初倡導白話文，引進西文的橫排格式、標點符號的時候，沒有引進西文中的空格分詞。不過即使分詞算法那么不高效，不那么準確，也問題不大，如前面所說，漢字是單音節詞，把聲音合起來，大體上不會有錯。

當然，科大訊飛的力氣活又干的多了些，據說已經進化到以常用句子為單位來錄音了，大家可以想像，這要耗費更多的力氣，換來更好的效果。

至于增加一些銜接處的“詞料”，弄一些修飾性的音調，我認為是無關緊要的，對整體的效果改進不是太大。

市面上商品化TTS一般還支持粵語，請個粵語播音員錄音，把上面的力氣活重做一遍就是了。

再說句題外話，很多人覺得錄音最好找電臺、電視臺的播音員，其實找個你周圍的女同事來錄制，只要吐字清晰就可以了。在某種情況下，尋常聲音比字正腔圓的新聞聯播來得可愛。

再來說說文本的標識，對于復雜文本，某些內容程序沒有辦法處理，需要標識出來。比如，單純的數字“128”，是應該念成“一百二十八”還是“一二八”？解決辦法通常是加入XML標注，如微軟的TTS：”<context ID = “number_cardinal”>128</context>”念成“一百二十八”，”<context ID = “number_digit”>128</context>”將念成“一二八”。TTS引擎可以去解釋這些標注。遺憾的是，語音XML標注并沒有形成大家都完全認可的標準，基本上是各自一套。

再說說TTS應用編程，微軟的TTS編程接口叫SAPI，是COM接口，開發起來還是有點麻煩，還好MSDN的網站上資料很全面。微軟的TTS雖然免費，但其中文角色目前是個男聲，聲音略嫌混濁，感覺不爽。

國內一般的廠家提供API調用接口，相對比較簡單，可以方便地嵌入應用程序中去。

商品化的TTS還有個并發許可限制，就是限制同時合成的并發線程數，我覺得這個限制用處不大。無論哪種TTS，都可以將文本文件轉換成語音文件，供語音卡播放。大部分應用句子比較短小，一般不會超過100個漢字，合成的時間是非常短的，弄個線程專門負責合成，其它應用向該線程請求就是了，萬一句子很長，把它分解成多個短句子就是了，播放的速度總是比合成的速度慢。

也很多應用是脫機合成，沒有實時性要求，就更不必買多個許可了。

更多情況下，我們甚至沒有必要購買TTS，比如語音開發中常見的費用催繳，撥通后播放：“尊敬的客戶，您本月的費用是：212元”，前面部分對所有客戶都一樣，錄一個語音文件就是了，而數字的合成是很簡單的，你只要錄制好10個數字語音，再加上十，百，千，萬，再加上金錢的單位“元”。

作者：Chris，微信公眾號：產品運營（pm-2020），一個產品運營菜鳥。曾在百度、美團、去哪兒從事產品運營工作。希望將點滴積累記錄成文字，給需要的你作為參考。

本文由 @Chris 原創發布于人人都是產品經理?，未經許可，禁止轉載。