深入解读tts涵义 tts是什么意思 _tts

TTS 技术（Text-To-，语音合成）是将文本转换为声音（大声朗读），类似于人的嘴巴。您在 Siri 等各种语音助手中听到的声音都是由 TTS 生成的，而不是真人说话。
TTS技术实现方式，主要有两种：“拼接法”和“参数法”——

文章插图
2、拼接
1）定义：从大量预录的声音中选择所需的基本单元。这样的单位可以是音节、音素等。为了追求合成语音的连贯性，常用双音素（从一个音素的中心到下一个音素的中心）作为单位。
2）优势：更高的语音质量
3）缺点：数据库需求太大。预测成品一般需要几十个小时。企业级商业使用，至少需要5万句，成本数百万。
3、参数法
1）定义：根据统计模型在每一刻生成语音参数（包括基频、共振峰频率等），然后将这些参数转换成波形。主要分为3个模块：前端、后端和声码器。
前端做的是解析文本，确定每个单词的读音是什么，这句话应该用什么语调和语气，用什么节奏来读，应该强调哪些区域，ETC 。。常见的音调相关数据描述包括但不限于：韵律边界、重音、边界音调，甚至情感。还有更多的信息甚至难以客观描述，目前的算法只能暂时忽略。
注意：拼接法和参数法都有前端模块。拼接和参数的区别主要是后端声学建模方法的区别。
2）优点：数据库需求相对较小。
如果你只需要说出来（demo），500句左右就够了，但效果肯定不好。
一般的TTS，一般至少需要5000句，6小时（一般录制800句，需要1小时）。
——从前期准备、找人、找录音场所、录音、数据筛选、标注，最终成为“可用数据”，可能需要至少3个月的时间。
个性化 TTS，主要使用“参数”方法。（Adobe和微软也尝试过拼接的方式，但是相比参数方式还不太成熟，效果也不是太一般）
3）缺点：质量比拼接方式差一点。因为受制于发声算法，所以有损失。
因为主要的弱点和困难是声码器。声码器的功能是再现声音信号。声音细节难以再现，人们听不到各种杂音、沉闷、机械感等。目前常见的声码器对声音信号本身做了各种理论模型和简化假设。可以说，细节的描述几乎被忽略了。
【深入解读tts涵义tts是什么意思】注意：是的，基本解决了声码器的问题。因为他们直接对语音样本进行预测，而不依赖于任何发音理论模型。最终的音质非常细腻，基本达到了与原声相近的音质水平，几乎可以对任何声音进行建模。
4、TTS 标准
1）主观测试（自然度），主要是MOS
A) MOS（平均），专家评价（主观）； 1-5分，5分最好。
注意：微软小冰的公开宣传是4.3分，但也有业内朋友认为不能说它“绝对”优于科大讯飞，因为每次评审的专家人选都不相同说白了，目前在整个AI行业，各家公司的节奏还是不错的。
B) ABX，一般用户评价（主观）。让用户收听两个 TTS 系统并进行比较，看看哪个更好。
C) 应区分每个主观评估。比如这次主要听复音词，下一次主要听情态词。
2）客观测试
A) 评估合成系统产生的声学参数，一般计算欧几里得距离等（RMSE，LSD）。
B) 合成系统工程测试：实时速率（合成时间/语音时长）、首包响应时间（用户发送请求到用户感知到的首包到达时间）、内存占用、CPU占用, 3*24 小时崩溃率等。
二、技术界限
1、通用 TTS
1）在用户期望不高的场景（APP/硬件），可以满足商业需求，比如语音助手/滴滴/高德/智能音箱/机器人）；但是如果用户期望很高，就很难满足，因为还是会有“机器感/机械感”，不能很自然的模拟人声。