文本转语音 (TTS)
将文本数据转换为语音的技术。是屏幕阅读器和语音助手的基础技术。
文本转语音 (TTS: Text-to-Speech) 是将文本数据转换为人类语音的技术。广泛应用于屏幕阅读器、语音助手 (Siri、Alexa、Google 助手)、车载导航、电子书朗读等领域。对于视觉障碍用户来说,TTS 是访问 Web 内容不可或缺的技术。
TTS 处理分为三个主要阶段。第一阶段文本分析,通过词法分析进行分词、数字和缩写的读音推测、同音词消歧。第二阶段韵律生成,确定重音、语调和停顿位置。第三阶段语音合成,生成实际的音频波形。2010 年代后半以来,基于深度学习的合成方式 (WaveNet、Tacotron、VITS 等) 进入实际应用,与此前的波形拼接方式和统计方式相比,语调的衔接更加平滑。至于"与人声无法区分"这类说法,是各服务的说明文字中使用的表述,听者能否分辨则因音色和文本内容而异。
Web 浏览器通过 Web Speech API 的 SpeechSynthesis 接口提供 TTS 功能。只需几行代码即可实现:speechSynthesis.speak(new SpeechSynthesisUtterance('要朗读的文本'))。云服务方面,Amazon Polly、Google Cloud Text-to-Speech、Microsoft 的 Speech service (旧称 Cognitive Services Speech) 是代表性产品,可通过 SSML (语音合成标记语言) 精细控制朗读速度、音高、停顿和音量。
中文 TTS 面临多音字的独特挑战。例如"行"在不同语境中读作"xing"或"hang"。人名和地名的读音往往不在词典中,自定义词典和注音信息对提高准确性很有帮助。此外,中文的变调需要依据上下文来判断,这使自然韵律的生成更加困难。
TTS 与屏幕阅读器密切相关但角色不同。TTS 是将文本转换为语音的引擎,而屏幕阅读器是解释屏幕信息并传递给 TTS 引擎的软件。要提高 Web 内容的无障碍性,使用语义化 HTML、设置适当的 ARIA 属性、为图片添加 alt 文本等措施非常重要,以确保屏幕阅读器能正确解释页面结构。
从字符计数的角度来看,原稿的字符数可以作为估计朗读时长的初步线索。日语旁白每分钟约 300-400 个字符、英语每分钟约 150-180 个单词被当作经验上的参考值来使用,在播客脚本和视频旁白原稿中按字符数管理篇幅,就是基于这一参考值的做法。不过字符数与时长并不成正比:决定朗读长度的是发音的拍数而不是字符数,因此原稿中数字、字母和符号越多,按字符数得出的估算与实测就偏离得越大,对时长要求严格的用途,更可靠的做法是实际合成后测量播放时间。