TTS（Text To Speech）即從文本到語音，把文本數(shù)據(jù)轉(zhuǎn)換成音頻數(shù)據(jù)輸出，是一種計算機生成語音的技術。將書面文本轉(zhuǎn)換為人類可以聽懂的語音輸出。這項技術利用了自然語音處理技術、數(shù)字信號處理和語音合成等領域的知識，通過模擬人類發(fā)聲過程來生成語音。

樂鑫語音合成當前版本基于拼接法，系統(tǒng)框圖如下

Parser: 根據(jù)字典與語法規(guī)則，將輸入文本轉(zhuǎn)換為拼音列表, 輸入文本編碼為UTF-8。

Synthesizer: 根據(jù)Parser輸出的拼音列表，結(jié)合預定義的聲音集，合成波形文件。默認輸出格式為單聲道， 16bit@16000Hz。

自20世紀80年代起，TTS技術經(jīng)歷了早期的參數(shù)合成方法，到后面隨著計算機技術的發(fā)展又出現(xiàn)了波形拼接的合成方法。但真正具有實際意義的近代語音合成技術是隨著計算機技術和數(shù)字信號處理技術的發(fā)展而發(fā)展起來的。

隨著AI技術的不斷發(fā)展，基于深度學習的TTS技術逐漸興起，并得到了廣泛的應用。當前，TTS技術已可以應用于很多領域，例如虛擬助手、語音信箱、室內(nèi)外廣播系統(tǒng)等。

目前樂鑫TTS demo實現(xiàn)了將中文文本轉(zhuǎn)換為中文語音，不同于一般的語音合成技術，ESP Chinese TTS 專門針對中文進行優(yōu)化，如果輸入的是中英文混雜的文本，英文部分將會被逐字母讀出。其他語種的版本則要定制。*具體使用方式可點擊閱讀原文進行參考

TTS技術的發(fā)展趨勢將會更智能、自然和人性化。通過與其他技術相結(jié)合，未來應用到更廣泛的場景領域，以實現(xiàn)更加復雜的語音應用。

總的來說，TTS技術將成為我們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠郑屨Z音交互更加便捷高效。同時，也給企業(yè)和社會帶來更多價值機會。