我:好吧，谷歌。你能告訴我今天如何使用文本到語音轉(zhuǎn)換技術(shù)嗎？
谷歌:當(dāng)然。你現(xiàn)在正在聽一個(gè)例子。
文本到語音轉(zhuǎn)換技術(shù)肯定還有很長的路要走。從可訪問性到教育再到客戶服務(wù)，這種媒介有著廣泛的應(yīng)用，而且似乎還會(huì)進(jìn)一步擴(kuò)展——以及更多的語言。
它是用來做什么的？
語音合成，即人工生成人聲的過程，可以追溯到12世紀(jì)的自動(dòng)機(jī)。第一臺(tái)從文本中產(chǎn)生類似人類聲音的計(jì)算機(jī)是在20世紀(jì)50年代。對(duì)于我們這些年齡足夠大的人來說，還記得20世紀(jì)70年代的Speak&Spell教育玩具，這也是一種文本到語音(TTS)設(shè)備，現(xiàn)在，任何與你交談的技術(shù)都在使用這項(xiàng)技術(shù)。
文本轉(zhuǎn)語音引擎由音咬數(shù)據(jù)庫組成，音咬數(shù)據(jù)庫可以由人類記錄，也可以由計(jì)算機(jī)聲學(xué)模型合成。當(dāng)輸入文本時(shí)，它將從數(shù)據(jù)庫轉(zhuǎn)換成適當(dāng)?shù)陌l(fā)音，并分組為短語、從句和句子。然后，對(duì)內(nèi)容進(jìn)行分析，確定正確的時(shí)長、音調(diào)和語調(diào)，通過合成器大聲說出來。
用途包括:幫助有閱讀或視覺障礙的人，有發(fā)音的語言學(xué)習(xí)者，或通過聽力課程學(xué)得更好的學(xué)生；自動(dòng)公告(想想歐洲城市的火車站)；有聲書；當(dāng)你打電話給銀行或客戶服務(wù)時(shí)，那些可愛的自動(dòng)菜單(稱為IVRS或交互式語音應(yīng)答系統(tǒng))。
最后，我們都在我們的移動(dòng)設(shè)備(Siri、OK Google和Cortana)、汽車(信息娛樂系統(tǒng)通過配對(duì)的手機(jī)讀取文本或電子郵件并提供駕駛方向)和家庭(使用文本到語音技術(shù))中使用文本到語音技術(shù)(亞馬遜Echo和谷歌Home背誦新聞文章、天氣預(yù)報(bào)和你的日歷)。當(dāng)您與設(shè)備通話時(shí)，附加的語音到文本組件將模擬聲音轉(zhuǎn)換為數(shù)字聲音，將其分解為音素，然后轉(zhuǎn)換為文本。然后，系統(tǒng)執(zhí)行命令或搜索請(qǐng)求的內(nèi)容，并使用TTS為您朗讀。
把訓(xùn)練提高到一個(gè)新水平
在電子學(xué)習(xí)、演示、操作視頻、培訓(xùn)和演示中添加聲音似乎是一個(gè)明智的選擇:人們可以觀看或收聽，任務(wù)或過程是一個(gè)接一個(gè)播放的，以允許在進(jìn)行的同時(shí)收聽。打印機(jī)技術(shù)員跪在機(jī)器里，沒有人能停下來看屏幕。
但就像機(jī)器翻譯是一種翻譯已經(jīng)過于昂貴的內(nèi)容的方式一樣，TTS可以為訓(xùn)練和操作視頻提供音頻，它只需要閱讀信息而不需要打磨，因此營銷風(fēng)格流暢。根據(jù)JBI工作室的說法，文本到語音系統(tǒng)可以在大約5分鐘內(nèi)將1萬字的內(nèi)容轉(zhuǎn)換成音頻文件，而語音人才需要大約8個(gè)小時(shí)才能完成同樣的操作。試想將視頻腳本本地化，輕松錄制成各種TTS聲音，而不是購買人才的時(shí)間和成本。
語言比比皆是。
除了英語，還有許多語言的TTS選項(xiàng)。各大電腦和手機(jī)操作系統(tǒng)都在一定程度上內(nèi)置了文字轉(zhuǎn)語音功能。Windows和谷歌有26種語言，而蘋果支持30種語言。Linguatec的語音閱讀器軟件有4個(gè)不同的版本，45種語音提供70多種語音語言。ISpeech提供30種不同語言的在線和云TTS解決方案，包括香港粵語和阿拉伯語，部分提供男女聲。
一些機(jī)器翻譯軟件也提供TTS——非常適合語言學(xué)習(xí)者。谷歌翻譯提供32種語言的文本到語音轉(zhuǎn)換。LEC的產(chǎn)品包括10種雙向語言對(duì)的TTS。PROMT的離線和在線翻譯移動(dòng)應(yīng)用程序提供語音到文本和文本到語音的轉(zhuǎn)換。語言學(xué)家翻譯公司在線MT工具只支持12種語言，但是可以倒著翻譯，大聲朗讀。
有趣的是，看看iSpeech Obama和iSpeech Bush:應(yīng)用程序，它會(huì)說出你用總統(tǒng)的聲音輸入的任何東西。
好吧，但是它們聽起來像機(jī)器人嗎？
有人做到了，有人做不到，但是WarGames真正的機(jī)器人語音的日子已經(jīng)一去不復(fù)返了。Ivona的SpeechCloud是一個(gè)網(wǎng)絡(luò)服務(wù)，提供23種語言的51種TTS。聲音聽起來很棒。
你好，我叫莎莉。我是伊芙娜的聲音之一...信用:IVONA軟件(亞馬遜公司)
事實(shí)上，當(dāng)我通過iSpeech和Linguatec的產(chǎn)品演示運(yùn)行各種語言的文本時(shí)，我發(fā)現(xiàn)英語的聲音其實(shí)是最不穩(wěn)定的。其他語言也有更準(zhǔn)確的發(fā)音和語調(diào)。
文本到語音技術(shù)似乎將自然聽覺內(nèi)容嵌入到我們生活的方方面面價(jià)格合理的多語言音頻解決方案進(jìn)一步彌合了語言鴻溝。似乎未來會(huì)告訴我們。
