鄭州電視臺 單志霞

TTS功能在移動終端的應(yīng)用

鄭州電視臺 單志霞

一、背景

TTS（Text To Speech），即從文本到語音。TTS所用的關(guān)鍵技術(shù)就是語音合成（Speech Synthesis）技術(shù)。早期的TTS一般采用專用的芯片實現(xiàn)，但主要應(yīng)用于家用電器或兒童玩具中。目前，中文TTS系統(tǒng)中比較常用的有IBM、Microsoft、Fujitsu、科大訊飛、捷通華聲等研究的系統(tǒng)。本文，筆者主要介紹科大訊飛TTS系統(tǒng)開發(fā)包Aisound的應(yīng)用。

訊飛輕量級語音合成系統(tǒng)Aisound是科大訊飛基于全球領(lǐng)先的語音合成技術(shù)，主要針對各行業(yè)應(yīng)用的嵌入式設(shè)備，為用戶提供語音信息獲取和語音交互應(yīng)用能力的軟件模塊，并將普通文本字符轉(zhuǎn)換為自然語音輸出的一款TTS軟件。Aisound語音合成系統(tǒng)不受操作系統(tǒng)的限制，不增加用戶額外的硬件成本，并針對嵌入式設(shè)備資源受限的特點，在資源占用、可移植性等方面都取得了突破性進展，其合成效果整體上已超過普通人的說話水平。語音合成系統(tǒng)的系統(tǒng)框架圖如圖1所示。

圖 1 語音合成系統(tǒng)框架

二、TTS的實現(xiàn)

在移動終端上實現(xiàn)TTS，其開發(fā)原理比較簡單。由于目前移動終端的開發(fā)基本上已經(jīng)實現(xiàn)語音、短信、數(shù)據(jù)等業(yè)務(wù)的模塊化，并且UI系統(tǒng)也做的相當成熟，因此我們在添加TTS功能時，只需要使用第3方的軟件開發(fā)包即可：通過修改編譯規(guī)則，將開發(fā)包提供的庫文件編譯進去，然后調(diào)用其提供的標準API接口。

1.語音合成的基本流程。

（1）為TTS分配一塊足夠大的堆空間。

（2）初始化資源。

（3）使用ivTTS_Create創(chuàng)建一個TTS實例。

（4）使用ivTTS_SetParam設(shè)定TTS的各種參數(shù)。如，各回調(diào)函數(shù)、輸入輸出方式、語言、文本編碼類型、音量和語速等。

（5）使用ivTTS_SynthText輸入文本，開始合成（合成過程中，調(diào)用合成的線程會被堵塞，直到退出合成）。

（6）合成結(jié)束后，調(diào)用ivTTS_Destroy釋放實例。

（7）釋放各種資源。

（8）合成中，可以隨時調(diào)用ivTTS_Exit打斷合成。

2.TTS常用的回調(diào)函數(shù)。Standard API定義了5個回調(diào)函數(shù)，分別為事件回調(diào)函數(shù)、參數(shù)改變回調(diào)函數(shù)、流式輸入回調(diào)函數(shù)、處理進度通知回調(diào)函數(shù)和輸出回調(diào)函數(shù)。本文，筆者僅對常用的4個回調(diào)函數(shù)作一簡要介紹。

（1）事件回調(diào)函數(shù)。TTS通過事件回調(diào)來獲取需要的線程控制或者通知用戶一些事件。例如：實例需要sleep時，調(diào)用該回調(diào)通知用戶將TTS線程sleep；在系統(tǒng)緩沖了足夠的數(shù)據(jù)時會調(diào)用該回調(diào)，通知用戶開始讀取數(shù)據(jù)；在某些特定平臺，可能需要事件回調(diào)來切換上下文。

（2）參數(shù)回調(diào)函數(shù)。當實例參數(shù)發(fā)生變化時，系統(tǒng)會調(diào)用參數(shù)回調(diào)函數(shù)來通知用戶。如果是用戶實例參數(shù)發(fā)生改變，則不調(diào)用該回調(diào)。

（3）輸入回調(diào)函數(shù)。當輸入模式為流式輸入時，系統(tǒng)會通過調(diào)用輸入回調(diào)函數(shù)，來獲取合成的內(nèi)容。

（4）輸出回調(diào)函數(shù)。系統(tǒng)合成過程中產(chǎn)生的語音數(shù)據(jù)會通過該回調(diào)傳給用戶，相應(yīng)的語音數(shù)據(jù)的格式也會隨之給出。

3.Aisound的輸入輸出方式。Aisound提供2種輸入方式（流式輸入和塊式輸入）和2種輸出方式（輸出回調(diào)和用戶主動獲取數(shù)據(jù)）。

（1）流式輸入。當輸入模式為流式輸入時，系統(tǒng)會通過調(diào)用輸入回調(diào)函數(shù)來獲取合成內(nèi)容。流式輸入比較復雜時，此方法已不再適用，Aisound默認為塊式輸入。

（2）塊式輸入。直接將輸入文本塊的指針傳遞給系統(tǒng)即可。

（3）輸出回調(diào)方式。系統(tǒng)合成過程中產(chǎn)生的語音數(shù)據(jù)會通過該回調(diào)傳給用戶，用戶可對數(shù)據(jù)進行處理。

（4）用戶主動獲取數(shù)據(jù)方式。系統(tǒng)將數(shù)據(jù)暫存在一個緩存區(qū)中，用戶通過指定的接口獲取數(shù)據(jù)。剛開始合成時，當緩存區(qū)的數(shù)據(jù)達到指定大小時，系統(tǒng)會通過事件回調(diào)通知用戶可以開始讀取數(shù)據(jù)。緩存區(qū)滿時，系統(tǒng)通過事件回調(diào)通知用戶將線程sleep。

綜上，通過TTS功能的實現(xiàn)，可以有效提高移動終端的使用友好性，特別是針對老年人、視力弱的人群具有很好的使用效果。同時該TTS功能實現(xiàn)簡單，不需額外添加設(shè)備，不用增加成本就可實現(xiàn)新功能，從而大大提高了該終端產(chǎn)品的市場競爭力。