曾誰飛，王仁波

（東華理工大學(xué)信息與電子工程學(xué)院 撫州344000）

1 引言

語音合成技術(shù)在電信、交通運輸以及銀行等領(lǐng)域的語音廣播中得到了廣泛的應(yīng)用，如電信營業(yè)廳的排隊叫號系統(tǒng)、CRM（客戶關(guān)系管理）系統(tǒng)、計費系統(tǒng)等，交通運輸行業(yè)的候車大廳廣播系統(tǒng)以及銀行的客戶營業(yè)廳排隊叫號系統(tǒng)。隨著語音與信號處理技術(shù)的迅速發(fā)展，語音播報應(yīng)用在各個行業(yè)得到了充分的展示。隨著各行業(yè)服務(wù)質(zhì)量的競爭日益加劇，行業(yè)對智能語音播報的需求也越來越強烈。如在通信行業(yè)，我國已進(jìn)入3G網(wǎng)絡(luò)的加速建設(shè)階段，人們對服務(wù)質(zhì)量的要求也愈來愈高，傳統(tǒng)的人工語音廣播已不能滿足用戶的需要。目前電信運營商也把提升整體服務(wù)水平作為吸引客戶的重要手段之一，并且投入了很大精力和財力。如在話費查詢、票務(wù)預(yù)訂、信息資訊、語音信息播報等服務(wù)方面，投入較多，但收效并不明確。如何打造高效有特色和專業(yè)化的智能語音播報系統(tǒng)仍然是一個極大的挑戰(zhàn)。

一般來講，傳統(tǒng)人工語音廣播存在以下幾個方面的問題。

· 發(fā)音朗讀不規(guī)范。如地方話、普通話相混雜，抑揚頓挫不規(guī)則。

·易出錯。比如在營業(yè)廳和候車/機廳等每日需播報大量的用戶須知、車次到達(dá)和出發(fā)信息以及找人尋物等臨時信息，看錯、念錯、漏播、錯播等現(xiàn)象在所難免。

·狀態(tài)不佳。天天大量重復(fù)性的工作，使得播音員精神狀態(tài)不佳，無精打采。

·浪費人力。需要安排多人專職輪流播音，耗費管理成本。

智能語音播報系統(tǒng)則完全解決了這些問題。本文采用國際領(lǐng)先的語音合成技術(shù)為業(yè)內(nèi)用戶提出了智能語音播報的解決方案，不僅降低了建設(shè)成本，而且提高了服務(wù)效率。

2 系統(tǒng)的架構(gòu)設(shè)計

2.1 組網(wǎng)架構(gòu)

基于語音合成技術(shù)的智能語音播報系統(tǒng)，其組網(wǎng)架構(gòu)主要由服務(wù)/營業(yè)大廳和智能語音播報兩大區(qū)域組成，主要服務(wù)器有合成平臺管理服務(wù)器、TTS合成服務(wù)器、詞庫維護(hù)服務(wù)器、定制音庫管理服務(wù)器和語音合成監(jiān)控服務(wù)器，如圖1所示?；谠摷軜?gòu)，智能語音播報系統(tǒng)能夠方便輕松地實現(xiàn)對廣播的音效管理和維護(hù)。每種服務(wù)器的具體功能簡要說明如下。

合成平臺管理服務(wù)器：提供在線演示Demo和設(shè)置各項參數(shù)進(jìn)行試聽功能。

TTS合成服務(wù)器：完成文本轉(zhuǎn)換處理功能，將文本內(nèi)容轉(zhuǎn)換成語音流或語音文件。

詞庫維護(hù)服務(wù)器：對傳入文本詞條進(jìn)行優(yōu)化和修改。定制音庫管理服務(wù)器：對定制文本修改和添加。

語音合成監(jiān)控服務(wù)器：對語音合成服務(wù)進(jìn)行檢測和檢查。

以上多臺服務(wù)器所承載的應(yīng)用服務(wù)可以合并到一臺或兩臺服務(wù)器來加載運行。

2.2 體系結(jié)構(gòu)

根據(jù)語音合成技術(shù)的特點，智能語音播報系統(tǒng)的體系結(jié)構(gòu)如圖2所示，具體描述如下。

·應(yīng)用層：是智能語音播報系統(tǒng)的操作系統(tǒng)，用戶可以直接在該操作系統(tǒng)中實現(xiàn)業(yè)務(wù)操作以及平臺管理。

·接口層：提供各種業(yè)務(wù)的服務(wù)，如語音合成服務(wù)，ActiveX接口控件服務(wù)，版本、信息服務(wù)等。

· 核心層：通過核心控制系統(tǒng)提供的各種引擎、模塊，實現(xiàn)各種業(yè)務(wù)進(jìn)程處理。

· 基礎(chǔ)層：由基礎(chǔ)音庫和行業(yè)領(lǐng)域音庫組成，為智能語音播報系統(tǒng)提供語音數(shù)據(jù)。

2.3 邏輯結(jié)構(gòu)

系統(tǒng)采用多線程多任務(wù)程序設(shè)計思想，語音合成引擎采用北京捷通華聲公司jTTS5.0產(chǎn)品。為了兼容多種語言，且使產(chǎn)品具備版本升級的可操作性，系統(tǒng)分為三層：應(yīng)用層、核心層和底層，如圖3所示。每層的作用如下。

應(yīng)用層：位于最高層，實現(xiàn)智能語音播報系統(tǒng)的業(yè)務(wù)應(yīng)用?？梢灾苯优c核心層的API通信；可以使用VB、Web等工具二次開發(fā)后，通過OCX控件，再與核心層API通信。

核心層：提供應(yīng)用程序需要的相關(guān)接口和實現(xiàn)語音播放、系統(tǒng)管理等功能的引擎。

底層：語音庫，為應(yīng)用程序提供基本語音數(shù)據(jù)來源。

3 系統(tǒng)的功能設(shè)計

根據(jù)業(yè)務(wù)的運營經(jīng)驗，為了同時兼顧界面應(yīng)用層的靈活度、平臺層和接口層的穩(wěn)定性，系統(tǒng)從整體上劃分為基礎(chǔ)功能、核心功能和擴(kuò)展功能，可以支撐產(chǎn)品的快速創(chuàng)新和深度運營能力，如圖4所示。

4 主要的業(yè)務(wù)流程

4.1 創(chuàng)建與設(shè)置語音播報流程

創(chuàng)建與設(shè)置語音播報流程如圖5所示，具體如下。

（1）選擇發(fā)音人（例如：zhangnan），后臺系統(tǒng)將播音員設(shè)置為“zhangnan”，其他相關(guān)選項設(shè)置為默認(rèn)。

（2）選擇播報的行業(yè)領(lǐng)域音庫，如電信運營商、鐵路、航空行業(yè)。

（3）操作員可以通過鍵盤等輸入設(shè)備輸入播音的內(nèi)容，也可以直接導(dǎo)入TXT文本文件。

（4）操作員可以通過音量、音頻、符號讀法、英文讀法、數(shù)字讀法等控制選項，對播音的內(nèi)容進(jìn)行編輯。

（5）根據(jù)需要，可以插入預(yù)錄音（播音正式內(nèi)容開始前插入的音效、音樂）和背景音（與播音正式內(nèi)容同步播報的音效、音樂）。

（6）根據(jù)需要，可以選擇播音的發(fā)音風(fēng)格，如：抑揚頓挫（適用小說、評述等）和平穩(wěn)端重（適用新聞、講解等）。

（7）編輯完畢之后，可以選擇播音（play），將本次播音通過音頻設(shè)備（音響系統(tǒng)）輸出。

（8）操作員可以保存該播音項目，即選擇以文件輸出，下次播音相同內(nèi)容時，可以調(diào)用。

4.2 打開語音播報流程

打開語音播報流程如圖6所示，具體如下。

（1）選擇打開語音文件，將已保存的語音提取到平臺。

（2）選擇播報（play），即可將保存好的文件播報至設(shè)備。

4.3 預(yù)約語音播報流程

預(yù)約語音播報流程如圖7所示，具體如下。

（1）選擇“預(yù)約”，系統(tǒng)自動轉(zhuǎn)到預(yù)約語音播報菜單。

（2）在預(yù)約語音播報菜單中，打開文件。

（3）選擇預(yù)約時間，可以特指某時間，也可以選擇每天的固定時間。

（4）保存該預(yù)約語音播報。

（5）操作完畢，當(dāng)系統(tǒng)時間至預(yù)約時間時，系統(tǒng)將自動啟動該語音播報任務(wù)。

5 設(shè)計語音合成引擎的關(guān)鍵問題及相關(guān)建議

5.1 語音合成領(lǐng)域庫制作與優(yōu)化流程建議

為了滿足不同行業(yè)的應(yīng)用，在有通用語音庫（基礎(chǔ)音庫）的基礎(chǔ)上首先必須進(jìn)行語音合成領(lǐng)域庫的制作與優(yōu)化，其步驟說明如下（具體流程如圖8所示）。

（1）獲取領(lǐng)域語料。

（2）基于自然語言處理技術(shù)對領(lǐng)域語料進(jìn)行分析，生成錄音語料、標(biāo)注信息和最佳顆粒度的詞條列表。

（3）基于分析結(jié)果，對標(biāo)注信息進(jìn)行人工校對。

（4）基于分析結(jié)果或者聽音測試結(jié)果，對文本分析模塊及數(shù)據(jù)字典進(jìn)行領(lǐng)域改進(jìn)，預(yù)生成優(yōu)化引擎。

（5）錄音。

（6）切音。

（7）領(lǐng)域庫預(yù)生成。

（8）聽音測試，根據(jù)結(jié)果重復(fù)步驟（4）～（7）。

（9）完成最終的優(yōu)化引擎和領(lǐng)域庫。

5.2 語音合成引擎在各行業(yè)應(yīng)用中需要考慮的關(guān)鍵因素

（1）語音合成引擎中的行業(yè)發(fā)音特點

每一個行業(yè)均有其語音應(yīng)用特點，尤其是涉及眾多老百姓用戶的電信營業(yè)廳、鐵路與醫(yī)院服務(wù)大廳的語音廣播，對語音播報的感情要求、節(jié)奏要求、變量（比如時間、服務(wù)柜臺號、檢票口、站臺）等信息的清晰性要求各有不同。

（2）語音合成引擎中的音色（發(fā)音人）問題

需要對語音合成引擎中的音色或者發(fā)音人進(jìn)行篩選及制定發(fā)音人的挑選標(biāo)準(zhǔn)，為所在的行業(yè)創(chuàng)造“聲音品牌”服務(wù)效應(yīng)。

（3）語音合成引擎的擴(kuò)展與版本管理問題

根據(jù)各行業(yè)語音播報的發(fā)音風(fēng)格特征，建立一套易擴(kuò)展的TTS標(biāo)記規(guī)則以滿足該行業(yè)的應(yīng)用，達(dá)到最佳的合成效果，同時要注意版本管理的問題。

（4）語音合成標(biāo)記語言和語音合成引擎API的擴(kuò)充性問題

根據(jù)現(xiàn)有不同的電信運營商服務(wù)特點和要求，必須充分考慮到語音合成引擎的標(biāo)記語言擴(kuò)展性，才能靈活地滿足該行業(yè)不同業(yè)務(wù)平臺各種功能二次開發(fā)的要求，并且語音合成引擎必須提供豐富和功能強大的API函數(shù)，才能有效地融入電信運營商的系統(tǒng)信息化建設(shè)中。

6 結(jié)束語

TTS技術(shù)在語音播報應(yīng)用中具有很多優(yōu)勢，如開發(fā)形式簡單、語音庫具有通行性等，并且在TTS語音庫的基礎(chǔ)語料上補充了相應(yīng)行業(yè)廣播人員的錄音制作成的領(lǐng)域庫，這樣的TTS語音引擎模式可以應(yīng)用到電信、鐵路、銀行等行業(yè)領(lǐng)域，使智能語音播報服務(wù)具有廣泛的應(yīng)用需求和良好的發(fā)展前景，為目前競爭激烈的各個電信運營商提升自己營業(yè)廳服務(wù)水平,創(chuàng)造語音播報品牌提供了很好的選擇。

1 北京捷通華聲語音技術(shù)有限公司.jTTS5.0技術(shù)白皮書，http://www.sinovoice.com.cn/upload/2008120809091517179667.pdf，2007

2 北京捷通華聲語音技術(shù)有限公司.jTTS5.0技術(shù)開發(fā)手冊，2007