聲訊TTS應(yīng)用解決方案

一、語音合成技術(shù)及其在聲訊臺(tái)中的應(yīng)用

1 語音合成簡介

語音合成（Text To Speech）,簡稱TTS技術(shù)，它涉及聲學(xué)、語言學(xué)、數(shù)字信號處理技術(shù)、多媒體技術(shù)等多個(gè)學(xué)科技術(shù)，是中文信息處理領(lǐng)域的一項(xiàng)前沿技術(shù)。解決的主要問題就是如何將文本狀態(tài)的文字信息轉(zhuǎn)化為可聽的聲音信息。使以往只能用眼睛看的文字信息，也可以用耳朵來聽。通俗地說，就是讓電腦開口說話的技術(shù)。這項(xiàng)技術(shù)在以語音信息服務(wù)為主要方式的聲訊業(yè)務(wù)中尤其有應(yīng)用意義。

2 語音合成技術(shù)的優(yōu)點(diǎn)

語音是信息傳播的一大媒介，隨著多媒體信息需求的增大，語音服務(wù)系統(tǒng)近年來發(fā)展較為迅速。下表是語音合成技術(shù)和傳統(tǒng)錄音回放技術(shù)在語音服務(wù)中相比較的情況。

	TTS	錄音制作
存儲(chǔ)空間的要求	較低	較高
節(jié)目開發(fā)周期	短	長
出錯(cuò)可能	低	高
信息的更新速度	即時(shí)	慢
信息庫建立和維護(hù)的工作量	低	高

• 就工作量而言，錄音需要大量的人力，在信息量以級數(shù)增長的今天，錄音往往無法滿足信息的供給，而語音合成將絕大多數(shù)工作由機(jī)器代替，人們只需提供現(xiàn)成的文本信息即可輸出聲音信息。
• 對于動(dòng)態(tài)的信息，尤其是對實(shí)時(shí)性要求很高的信息如：股票行情等，如果讓錄音員錄音則至少在半小時(shí)后才能對外提供，而語音合成可以實(shí)現(xiàn)實(shí)時(shí)的轉(zhuǎn)換，每分鐘可刷新一次。
• 由于信息的高速增長，錄音數(shù)據(jù)存放和查詢也存在問題。將信息以文本形式存儲(chǔ)在計(jì)算機(jī)中可節(jié)約大量系統(tǒng)資源再結(jié)合計(jì)算機(jī)技術(shù)對數(shù)據(jù)庫中的信息進(jìn)行搜索和整理將輸出的結(jié)果用語音合成轉(zhuǎn)換成聲音，這樣就可以解決信息服務(wù)中海量信息的存儲(chǔ)和查詢的問題。
• 錄音的信息維護(hù)、修改的工作量比較大。而文本信息的維護(hù)和修改相對要容易的多，通過語音合成技術(shù)只需對文本信息進(jìn)行修改就可以完成信息內(nèi)容的更改和維護(hù)工作。

二、全省節(jié)目文本內(nèi)容聯(lián)網(wǎng)方案

在聲訊臺(tái)使用TTS技術(shù)能實(shí)現(xiàn)一種全新的節(jié)目聯(lián)網(wǎng)方式。在實(shí)現(xiàn)數(shù)據(jù)聯(lián)網(wǎng)情況下，節(jié)點(diǎn)聲訊臺(tái)中的一個(gè)或者多個(gè)制作的節(jié)目內(nèi)容能通過文本的方式在網(wǎng)絡(luò)上共享；其他的節(jié)點(diǎn)聲訊臺(tái)取得這些文本內(nèi)容，在本地進(jìn)行語音合成，進(jìn)而開通相應(yīng)的節(jié)目。從而可以使用少量的帶寬來輕松實(shí)現(xiàn)信息共享，為各地的用戶提供全面的語音服務(wù)。

1 集中制作、聯(lián)網(wǎng)下傳方式

單一的節(jié)目制作中心一般放置在省中心。在節(jié)目制作中心，節(jié)目數(shù)據(jù)以數(shù)據(jù)庫或者文本文件的方式存放于節(jié)目數(shù)據(jù)倉庫中。在節(jié)目制作中心運(yùn)行文本訪問服務(wù)代理，接受各地市臺(tái)的數(shù)據(jù)請求并發(fā)送相應(yīng)的數(shù)據(jù)。各個(gè)地市臺(tái)通過文本請求、接收代理向中心請求或者接收文本數(shù)據(jù)，存放于本地?cái)?shù)據(jù)倉庫，等待語音合成服務(wù)器合成成語音文件，地市臺(tái)使用合成后的語音文件迅速開通相應(yīng)的節(jié)目。

節(jié)目文本數(shù)據(jù)的共享和消息通知，可以通過兩種方式實(shí)現(xiàn)，即地市臺(tái)定時(shí)（或人為）向中心請求數(shù)據(jù)，或者中心數(shù)據(jù)服務(wù)代理向地市臺(tái)廣播數(shù)據(jù)增加消息，并發(fā)送增加的數(shù)據(jù)。

三、TTS技術(shù)應(yīng)用方案

通過節(jié)目文本內(nèi)容聯(lián)網(wǎng)，實(shí)現(xiàn)節(jié)目文本內(nèi)容的共享，從文本到語音的轉(zhuǎn)換，開通相應(yīng)的節(jié)目則需要語音合成來完成。

科大訊飛針對各地聲訊平臺(tái)不同的建設(shè)狀況，提出實(shí)時(shí)合成和離線合成兩種解決方案，實(shí)現(xiàn)在現(xiàn)有平臺(tái)上嵌入語音合成功能。

1．離線合成

在用戶電話呼入之前生成相應(yīng)語音文件，每個(gè)語音文件可供多個(gè)用戶重復(fù)聽取。特點(diǎn)是資源消耗少（普通PC即可實(shí)現(xiàn)），硬件要求低，能較好的替代人工錄音的語音制作方式。

離線合成可以與省級甚至全國聲訊網(wǎng)絡(luò)結(jié)合，開發(fā)出靈活的聯(lián)網(wǎng)業(yè)務(wù)。即文本訪問代理從廣域網(wǎng)上取得節(jié)目文本數(shù)據(jù)存放于本地的文本數(shù)據(jù)共享目錄，語音合成服務(wù)器通過訪問該目錄獲取節(jié)目文本合成為語音文件存放與服務(wù)器的語音文件共享目錄中。局域網(wǎng)內(nèi)其他設(shè)備（IVR、MSI等等）訪問語音文件共享目錄，向用戶播放最新生成的語音信息。

2．在線合成嵌入方案

在線合成是在用戶電話呼入的同時(shí)實(shí)時(shí)生成語音文件，并在該用戶呼入的通道播放，每個(gè)語音文件僅供該用戶聽取。

在線合成包含離線合成的一切功能，且實(shí)時(shí)性好，業(yè)務(wù)靈活，可以開展出各種個(gè)性化信息服務(wù)，主要適用于對語音合成的實(shí)時(shí)性要求高的場合。

聲訊平臺(tái)的TTS升級是在現(xiàn)有平臺(tái)上增加TTS語音合成服務(wù)器，語音節(jié)點(diǎn)通過語音合成網(wǎng)關(guān)調(diào)用TTS資源。語音合成服務(wù)器支持多路的實(shí)時(shí)語音合成，根據(jù)系統(tǒng)業(yè)務(wù)量可以方便地?cái)U(kuò)容。

由于不涉及到話務(wù)接入處理層的內(nèi)容，聲訊臺(tái)采用前置交換方式還是后置交換方式不對嵌入改造工作的造成影響。

如圖所示，一個(gè)包含TTS服務(wù)的電話訪問流程大致可分為七步：

（1）用戶電話撥入，系統(tǒng)IVR響應(yīng)，獲得用戶按鍵等信息。

（2）IVR根據(jù)用戶輸入，向數(shù)據(jù)庫或文件等信息源申請數(shù)據(jù)。

（3）信息源返回文本數(shù)據(jù)給IVR。

（4）IVR通過其TCP通訊接口將需要合成的文本信息發(fā)送給TTS Server。

（5）TTS Server將用戶文本合成為語音文件放置在一個(gè)共享目錄中。

（6）TTS Server通過其TCP通訊接口通知IVR合成完畢，并返回文件名。

（7）IVR播放相應(yīng)的語音文件給電話用戶。

四、TTS技術(shù)在聲訊臺(tái)的應(yīng)用意義

新業(yè)務(wù)的開發(fā)對現(xiàn)有聲訊平臺(tái)提出了更高的技術(shù)要求，目前全省聲訊平臺(tái)基本上沒有文字語音合成能力，數(shù)字合成也停留在單音報(bào)讀階段，播放出來的聲音生硬、不連續(xù)、不自然；而使用語音合成技術(shù)合成的語音自然、連續(xù)，接近人的發(fā)音，用戶感覺較親切，易聽懂，可以大幅度提高服務(wù)質(zhì)量和用戶滿意度。可以說，TTS技術(shù)的應(yīng)用是聲訊平臺(tái)技術(shù)升級的當(dāng)務(wù)之急。

TTS技術(shù)在聲訊臺(tái)應(yīng)用后可以直接開發(fā)許多新業(yè)務(wù)，如：

1．海量信息查詢類業(yè)務(wù)

大部分海量信息如考試查分、征婚啟事、人才信息、電話廣告等，由于其內(nèi)容龐大，往往無法在短期內(nèi)完成錄音，即使可以事先錄音，也需要很長的制作周期，而且在量大的時(shí)候肯定會(huì)出現(xiàn)人為錯(cuò)誤；采用語音合成技術(shù)可以節(jié)約大量人力，縮短開發(fā)周期，而且能夠完全保證了所有信息100％正確。

2．動(dòng)態(tài)信息查詢類業(yè)務(wù)

聲訊節(jié)目逐漸地由現(xiàn)在娛樂型節(jié)目為主的節(jié)目構(gòu)成轉(zhuǎn)向以應(yīng)用型的節(jié)目為主，而多數(shù)的應(yīng)用類節(jié)目對實(shí)時(shí)性要求比較高，如證券行情、訂票、訂房等，上述應(yīng)用中動(dòng)態(tài)信息不可能事先錄音，需要實(shí)時(shí)地從數(shù)據(jù)庫中讀取，動(dòng)態(tài)進(jìn)行語音合成，保證信息的實(shí)時(shí)性。

此外，在聲訊服務(wù)領(lǐng)域內(nèi)，使用TTS技術(shù)不但對技術(shù)開發(fā)工作來說很重要，而且對于業(yè)務(wù)運(yùn)營方面也同樣如此。傳統(tǒng)的聲訊服務(wù)領(lǐng)域，信息的組織和維護(hù)都是由人工來完成的，需要人工錄音、文件拷貝等一系列步驟，工作煩瑣，維護(hù)不便，很難做到信息的實(shí)時(shí)更新，影響了服務(wù)質(zhì)量，而且占用存儲(chǔ)資源多。

由此可見，TTS技術(shù)作為一個(gè)新興技術(shù)，可以解決動(dòng)態(tài)信息和海量信息的查詢問題，把它應(yīng)用于聲訊領(lǐng)域，對于開展增值業(yè)務(wù)，改變傳統(tǒng)業(yè)務(wù)的實(shí)現(xiàn)方式，提高服務(wù)質(zhì)量都是很必要的。

科大訊飛供稿 CTI論壇編輯