文字朗读¶

原理¶

文字朗读，也称语音合成，它也被称为文本转换技术（TTS）。它是将计算机自己产生的、或外部输入的文字信息转变为可以听得懂的、流利的口语输出的技术。国内文字朗读做得比较出色的两家是科大讯飞与百度。

文字朗读的几个发展阶段

在文字朗读发展的最早阶段，机器是根据文字所对应的字音读出来，这样逐字朗读出来是毫无感情可言，听起来完全就是一个机器人机械式进行朗读。嗯，这种是最没有技术含量的。

下一阶段，单元挑选拼接合成阶段。简单来说，将一个简单的句子分解成多个元素，这些元素一般是可以符合人的常理进行理解的。举了例子,将“小喵科技专注中小学图形化人工智能编程”，里面包含的元素有，“小喵科技”，“中小学”，“人工智能”，“编程”等。此阶段的技术的瓶颈在于语音合成数据库的元素。一旦语音数据库不包含这个元素，它还是被逐字的读出来。此阶段的缺点依旧是朗读没有感情。

再下一个阶段，基于HMM的参数语音合成。简单来说解决朗读没有感情这个问题，通过庞大的语料库，进行手工信息标注（网上经常有人调侃，人工智能背后是极其枯燥的人工不智能的人力标注出来的素材），上下特征，参数提取等，进行HMM训练。得出模型后，将输入的文本进行参数调整，最终输出有感情，抑扬顿挫的语音。

现今阶段，基于深度学习的语音合成。可以简单理解为，在HMM的基础上，它的模型能力更强，效率更高。